PENGGUNAAN JARINGAN SARAF TIRUAN …etheses.uin-malang.ac.id/6351/1/09610107.pdfPENGGUNAAN JARINGAN...
Transcript of PENGGUNAAN JARINGAN SARAF TIRUAN …etheses.uin-malang.ac.id/6351/1/09610107.pdfPENGGUNAAN JARINGAN...
PENGGUNAAN JARINGAN SARAF TIRUAN UNTUK MENDETEKSI
STATUS GIZI BALITA DENGAN METODE BACKPROPAGATION
SKRIPSI
OLEH
MUHAMMAD DULASRIP
NIM. 09610107
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2015
PENGGUNAAN JARINGAN SARAF TIRUAN UNTUK MENDETEKSI
STATUS GIZI BALITA DENGAN METODE BACKPROPAGATION
SKRIPSI
Diajukan Kepada
Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulana Malik Ibrahim Malang
untuk Memenuhi Salah Satu Persyaratan dalam
Memperoleh Gelar Sarjana Sains (S.Si)
Oleh
Muhammad Dulasrip
NIM. 09610107
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2015
PENGGUNAAN JARINGAN SARAF TIRUAN UNTUK MENDETEKSI
STATUS GIZI BALITA DENGAN METODE BACKPROPAGATION
SKRIPSI
Oleh
Muhammad Dulasrip
NIM. 09610107
Telah Diperiksa dan Disetujui untuk Diuji
Tanggal 22 Januari 2015
Pembimbing I,
Dr. Sri Harini, M.Si
NIP. 19731014 200112 2 002
Pembimbing II,
Dr. Abdussakir, M.Pd
NIP. 19751006 200312 1 001
Mengetahui,
Ketua Jurusan Matematika
Dr. Abdussakir, M.Pd
NIP. 19751006 200312 1 001
PENGGUNAAN JARINGAN SARAF TIRUAN UNTUK MENDETEKSI
STATUS GIZI BALITA DENGAN METODE BACKPROPAGATION
SKRIPSI
Oleh
Muhammad Dulasrip
NIM. 09610107
Telah Dipertahankan di Depan Dewan Penguji Skripsi
dan Dinyatakan Diterima Sebagai Salah Satu Persyaratan
untuk Memperoleh Gelar Sarjana Sains (S.Si)
Tanggal 27 Maret 2015
Penguji Utama : Mohammad Jamhuri, M.Si
...………………………
Ketua Penguji : Abdul Aziz, M.Si
………………………...
Sekretaris Penguji : Dr. Sri Harini, M.Si
………………………...
Anggota Penguji : Dr. Abdussakir, M.Pd
………………………...
Mengetahui,
Ketua Jurusan Matematika
Dr. Abdussakir, M.Pd
NIP. 19751006 200312 1 001
PERNYATAAN KEASLIAN TULISAN
Saya yang bertanda tangan di bawah ini:
Nama : Muhammad Dulasrip
NIM : 09610107
Jurusan : Matematika
Fakultas : Sains dan Teknologi
Judul Skripsi : Penggunaan Jaringan Saraf Tiruan untuk Mendeteksi Status Gizi
Balita dengan Metode Backpropagation
menyatakan dengan sebenarnya bahwa skripsi yang saya tulis ini benar-benar
merupakan hasil karya sendiri, bukan merupakan plagiat atau pikiran orang lain
yang saya akui sebagai hasil tulisan atau pikiran saya sendiri, kecuali sebagai
literatur yang tercantum pada daftar pustaka. Apabila di kemudian hari dapat
dibuktikan skripsi ini hasil plagiat, maka saya bersedia menerima sanksi atas
perbuatan tersebut.
Malang, 22 Januari 2015
Yang membuat pernyataan,
Muhammad Dulasrip
NIM. 09610107
MOTO
“Jangan pernah malu untuk maju, karena malu menjadikan kita tak akan pernah
mengerti dan memahami segala hal dalam hidup ini”
PERSEMBAHAN
Penulis mempersembahkan karya penelitian ini untuk:
Bapak dan Ibu tercinta, Hadi dan Surati, yang selalu bekerja keras
mengasuh, mendidik, membimbing, dan yang selalu memberikan cinta kasih serta
do’anya yang tiada henti, penuh dengan keihklasan, dan kesabaran, sehingga
penulis dapat menyelesaikan studi di kampus ini. Semoga atas semua
pengorbanan dan kasih sayang yang beliau berikan mendapat imbalan yang
sebesar-besarnya dari Allah Swt.
Nenek tercinta yang selama ini turut berjasa besar dan senantiasa
mendukung keberhasilan penulis. Adik-adik penulis, Isnaini dan Saiful Akbar
yang ikut serta dalam memberi dukungan dan semangat kepada penulis.
Keponakan penulis yang tidak dapat disebutkan satu-persatu, kalianlah
motivasi masa depan dan harapan terindah bagi penulis.
viii
KATA PENGANTAR
Assalamu’alaikum Warahmatullahi Wabarakatuh
Segala puji bagi Allah Swt atas rahmat, taufik serta hidayah-Nya, sehingga
peneliti mampu menyelesaikan penyusunan skripsi sekaligus studi di Jurusan
Matematika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Maulana
Malik Ibrahim Malang.
Ucapan terima kasih seiring do’a dan harapan jazakumullahu bikhair,
peneliti haturkan sebagai penghargaan yang setinggi-tingginya kepada semua
pihak yang telah membantu terutama kepada:
1. Prof. Dr. H. Mudjia Rahardjo, M.Si, selaku rektor Universitas Islam Negeri
Maulana Malik Ibrahim Malang.
2. Dr. drh. Bayyinatul Muchtaromah, M.Si, selaku dekan Fakultas Sains dan
Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim Malang.
3. Dr. Abdussakir, M.Pd, selaku ketua Jurusan Matematika Fakultas Sains dan
Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim Malang.
4. Dr. Sri Harini M.Si dan Dr. Abdussakir, M.Pd selaku dosen pembimbing I dan
pembimbing II yang telah banyak memberikan bimbingan, arahan, nasihat,
motivasi, dan berbagi pengalaman yang berharga kepada peneliti sehingga
peneliti lebih terarah dalam menulis skripsi ini.
5. Segenap sivitas akademika Jurusan Matematika, Fakultas Sains dan Teknologi,
Universitas Islam Negeri Maulana Malik Ibrahim Malang terutama seluruh
dosen, terima kasih atas segala ilmu dan bimbingannya.
ix
6. Ayah dan ibu, yang selalu memberikan do’a, semangat serta motivasi kepada
peneliti yang tidak pernah ada hentinya.
7. Seluruh teman di Jurusan Matematika angkatan 2009 yang memberikan
motivasi dan tidak pernah membiarkan peneliti merasa sendiri.
8. Semua pihak yang ikut membantu dalam menyelesaikan skripsi ini baik berupa
materiil maupun moril.
Peneliti berharap semoga skripsi ini bermanfaat bagi peneliti dan bagi
pembaca.
Wassalamu’alaikum Warahmatullahi Wabarakatuh
Malang, Januari 2015
Peneliti
x
DAFTAR ISI
HALAMAN JUDUL
HALAMAN PENGAJUAN
HALAMAN PERSETUJUAN
HALAMAN PENGESAHAN
HALAMAN PERNYATAAN KEASLIAN TULISAN
HALAMAN MOTO
HALAMAN PERSEMBAHAN
KATA PENGANTAR ........................................................................................ viii
DAFTAR ISI ....................................................................................................... x
DAFTAR TABEL .............................................................................................. xii
DAFTAR GAMBAR .......................................................................................... xiii
ABSTRAK .......................................................................................................... xiv
ABSTRACT ........................................................................................................ xv
xvi .................................................................................................................... ملخص
BAB I PENDAHULUAN
1.1 Latar Belakang ................................................................................... 1
1.2 Rumusan Masalah .............................................................................. 5
1.3 Tujuan Penelitian................................................................................ 6
1.4 Batasan Masalah ................................................................................. 6
1.5 Manfaat Penelitian.............................................................................. 6
1.6 Metode Penelitian ............................................................................... 7
1.7 Sistematika Penulisan ......................................................................... 11
BAB II KAJIAN PUSTAKA
2.1 Jaringan Saraf Tiruan ......................................................................... 12
2.2 Konsep Dasar Jaringan Saraf Tiruan .................................................. 17
2.3 Kegunaan dan Aplikasi Jaringan Saraf Tiruan ................................... 17
2.4 Arsitektur Jaringan Saraf Tiruan ........................................................ 19
2.5 Fungsi Aktivasi .................................................................................. 20
2.6 Backpropagation pada Jaringan Saraf Tiruan .................................... 21
2.6.1 Perambatan Maju ...................................................................... 22
2.6.2 Perambatan Mundur .................................................................. 23
2.6.3 Algoritma Pelatihan Backpropagation ..................................... 25
2.7 Inisialisasi Bobot dan Bias ................................................................. 29
xi
2.7.1 Inisialisasi Acak ........................................................................ 29
2.7.2 Inisialisasi Nguyen-Widrow ..................................................... 29
2.8 Lama Iterasi ........................................................................................ 31
2.9 Pengertian Gizi ................................................................................... 32
2.9.1 Penilaian Status Gizi ................................................................. 32
2.10 Pentingnya Ilmu dan Pengamalannya ................................................ 36
2.10.1Manfaat Menuntut Ilmu Secara Umum .................................... 37
BAB III PEMBAHASAN
3.1 Deskripsi Data Status Gizi Balita Usia di Bawah 60 Bulan
di UPT Puskesmas Dinoyo Malang ................................................... 41
3.1.1 Status Gizi Sangat Kurang ........................................................ 44
3.1.2 Status Gizi Kurang .................................................................... 45
3.1.3 Status Gizi Normal ................................................................... 46
3.1.4 Status Gizi Lebih ...................................................................... 47
3.2 Memodelkan Status Gizi Balita dengan Jaringan Saraf Tiruan ......... 48
3.2.1 Menentukan Input ..................................................................... 48
3.2.2 Proses Kerja Jaringan Saraf Tiruan .......................................... 49
3.2.3 Hasil Analisis Jaringan Saraf Tiruan
dengan Metode Backpropagation ............................................. 52
3.2.4 Pemodelan Arsitektur Status Gizi Balita
dengan Jaringan Saraf Tiruan ................................................... 54
3.2.5 Penentuan Arsitektur Jaringan yang Optimal ........................... 55
3.3 Jaringan Saraf Tiruan Menurut Pandangan Islam .............................. 58
BAB IV PENUTUP
4.1 Kesimpulan......................................................................................... 60
4.2 Saran ................................................................................................... 60
DAFTAR PUSTAKA .......................................................................................... 61
LAMPIRAN-LAMPIRAN
RIWAYAT HIDUP
xii
DAFTAR TABEL
Tabel 3.1 Data Asli Status Gizi Balita Berdasarkan Berat Badan
Menurut Panjang Badan (UPT Puskesmas Dinoyo Malang
Tahun 2014) .......................................................................................... 42
Tabel 3.2 Deskripsi Data Keseluruhan Status Gizi Balita Usia
di Bawah 60 Bulan ............................................................................... 42
Tabel 3.3 Deskripsi Data Status Gizi Sangat Kurang di UPT
Puskesmas Dinoyo Malang .................................................................. 44
Tabel 3.4 Deskripsi Data Status Gizi Kurang di UPT Puskesmas
Dinoyo Malang ..................................................................................... 45
Tabel 3.5 Deskripsi Data Status Gizi Normal di UPT Puskesmas
Dinoyo Malang ..................................................................................... 46
Tabel 3.6 Deskripsi Data Status Gizi Lebih di UPT Puskesmas
Dinoyo Malang ..................................................................................... 47
Tabel 3.7 Hasil Analisis Jaringan Saraf Tiruan dengan Perubahan
Iterasi dan Laju Pemahaman a untuk Mendapatkan
Arsitektur yang Optimal ....................................................................... 53
xiii
DAFTAR GAMBAR
Gambar 2.1 Jaringan Saraf dengan Banyak Lapis .............................................. 20
Gambar 2.2 Fungsi Aktivasi Sigmoid Biner ........................................................ 21
Gambar 2.3 Tiga Lapisan Jaringan Backpropagation.......................................... 22
Gambar 2.4 Langkah Perambatan Maju............................................................... 23
Gambar 2.5 Fungsi Sigmoid Beserta Turunannya................................................ 24
Gambar 3.1 Histogram Data Keseluruhan Status Gizi Balita Usia
di Bawah 60 Bulan ........................................................................... 43
Gambar 3.2 Scatterplot Status Gizi Sangat Kurang di UPT Puskesmas Dinoyo
Malang ............................................................................................. 45
Gambar 3.3 Scatterplot Status Gizi Kurang di UPT Puskesmas
Dinoyo Malang ................................................................................ 46
Gambar 3.4 Scatterplot Status Gizi Normal di UPT Puskesmas
Dinoyo Malang ................................................................................ 47
Gambar 3.5 Scatterplot Status Gizi Lebih di UPT Puskesmas
Dinoyo Malang ................................................................................ 48
Gambar 3.6 Plot Pelatihan Data Pengujian dengan Laju Pemahaman
0.2 dengan Pemberian Iterasi 1000 .......................................... 54
Gambar 3.7 Arsitektur Jaringan Saraf Tiruan yang Optimal dari Data
Status Gizi Balita Usia di Bawah 60 Bulan di UPT
Puskesmas Dinoyo Malang Tahun 2014 dengan 2 Unit Input,
10 Hidden Node, dan 4 Unit Output ................................................ 57
xiv
ABSTRAK
Dulasrip, Muhammad. 2015. Penggunaan Jaringan Saraf Tiruan untuk Mendeteksi
Status Gizi Balita dengan Metode Backpropagation. Skripsi. Jurusan
Matematika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Maulana
Malik Ibrahim Malang. Pembimbing: (I) Dr. Sri Harini, M.Si. (II) Dr. Abdussakir,
M.Pd.
Kata kunci: Jaringan Saraf Tiruan, Feedforward, Backpropagation, Status Gizi Balita
Jaringan saraf tiruan adalah suatu metode pengelompokan dan pemisahan
data yang prinsip kerjanya sama seperti jaringan saraf pada manusia. Elemen
mendasar dari jaringan saraf tiruan ini adalah bagaimana memproses sistem dan
beberapa struktur sehingga menjadi sebuah informasi. Jaringan saraf tiruan
dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau
klasifikasi suatu data. Proses dari jaringan saraf tiruan ini dilakukan dengan
pendekatan Feedforward dan Backpropagation yang dilihat dari nilai errornya.
Gizi merupakan salah satu faktor penting yang menentukan tingkat
kesehatan dan kesejahteraan manusia. Keadaan gizi seseorang dikatakan baik
apabila terdapat keseimbangan dan keserasian antara perkembangan fisik dan
perkembangan mental orang tersebut. Penelitian jaringan saraf tiruan yang
diaplikasikan pada status gizi balita ini bertujuan untuk mendapatkan arsitektur
yang optimal.
Pada penelitian ini didapatkan nilai means square error yang minimum
dari pelatihan backpropagation, dengan pemberian dan iterasi 1000 yaitu
MSE = 1.1904e-005, dan model arsitektur jaringan saraf tiruan yang optimal dari
pelatihan backpropagation pada status gizi balita, yaitu arsitektur jaringan yang
terdiri dari 2 unit input, 10 hidden node pada 1 hidden layer, dan 4 unit output.
xv
ABSTRACT
Dulasrip, Muhammad. 2015. Aplication of Neural Networks to Detect Toddler
Nutrition State Using Backpropagation Method. Thesis Department of
Mathematics, Faculty of Science and Technology, State Islamic University
of Maulana Malik Ibrahim Malang. Advisor: (1) Dr. Sri Harini, M.Si. (II)
Dr. Abdussakir, M.Pd
Keywords: Nueral networks, Feedforward, Backpropagation, Nutritional State
Artificial neural network is a method of grouping and separation of data
that works at the same principle as the human neural network. The fundamental
elements of neural networks are how to process the system and some structure so
that it becomes an information. Neural network was formed to solve a specific
problem such as pattern recognition or classification of data. The process of neural
network is done using Feedforward and backpropagation approach and investigate
its error value.
Nutrition is one of the important factors that determine the level of health
of human. Nutritional state of a person is good if there is a balance and harmony
between the physical and mental development of the person. This research of
artificial neural networks that are applied in the nutritional status of children aims
to obtain an optimal architecture.
In this study, the value of the minimum means square error
backpropagation training, using a = 0.2 and 1000 iterations that is MSE =
1.1904e-005. We also obtained optimum model of artificial neural network
architecture using backpropagation training on infant nutritional state, which is a
network architecture that consists of two units of input, ten hidden node in one
hidden layer, and four units of output
xvi
ملخص
األطفال مع االنتشار لكشف الصغار حالة تغذوية عيةانالص استخدام الشبكات العصبية ، 5102دوالسريف ، حممد، backpropagation القسم الرياضيات الكلية العلوم والتكنولوجيا ، اجلامعة احلكمية البحث .معيااجل ،
الدكتورة سري هاريين ادلاجسترية وادلشرف الثاين : ماالنج. ادلشرفة االول : اإلسالمية موالنا مالك إبراهيم الدكتور عبد الشاكر ادلاجستري
تغذية الطفل ، العمارة حالة ،feedforward ،backpropagationعية، انالص الكلمات الرئيسية : الشبكات العصبية
العصيب اإلنساين. العناصر الشبكاتالشبكة العصبية االصطناعية هو وسيلة لتجميع وفصل البيانات يعمل نفس ادلبدأ
األساسية للشبكات العصبية هي كيفية معاجلة النظام وبعض هيكل حبيث تصبح ادلعلومات. مت تشكيل الشبكة العصبية حلل مشكلة feedforward انات. تتم العملية من الشبكة العصبية معمعينة مثل التعرف على منط أو تصنيف البي
backpropagation وينظر قيمة اخلطأ. التغذية هي واحدة من أهم العوامل اليت حتدد مستوى الصحة. احلالة الغذائية للشخص جيدة إن كان هناك توازن
واالنسجام بني النمو البدين والعقلي للشخص. ، backpropagationالتدريب تعين means square error قيمة عليها احلصول مت اليت الدرسة، هذة يف
من لثاالم عيةانالص العصبية للشبكة منوذاجو MSE = 1.1904e-005 ,كانت اليت التكرار 1000 و a=0.2 وتوفري العقد عشرة ,مدخلني من تتكون اليت للشبكة عمارة هي اليتو ,طفل األ تغذوية احلالةى عل backpropagation التدريب ت.جاخمر عةبوأر ,خمفية طبقة يف ادلخفية
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Akhir–akhir ini jaringan saraf tiruan sangat populer untuk di jadikan
pembelajaran terutama pada bidang sains dan teknologi. Jaringan ini terdiri dari
sekumpulan neuron-neuron atau unit-unit yang saling berinteraksi. Pada neuron
saraf manusia, proses alami mengatur bagaimana sinyal input pada dendrit
diproses dan kemudian diterjemahkan dalam aktivitas axon. Sedangkan pada
neuron buatan, proses learning mengatur input-input yang digunakan untuk
pemetaan output-nya. Jaringan saraf tiruan merupakan jaringan yang saling
berhubungan antar node-node atau simpul-simpulnya yang tiap-tiap hubungan
tersebut mempunyai bobot koneksi yang dilatih untuk mencapai respon yang
diinginkan. Masing-masing bobot koneksi dipropagasikan ke seluruh simpul atau
node. Dengan pelatihan terhadap data berdasarkan bobot-bobot koneksi tersebut
diharapkan memperoleh output yang diinginkan.
Kemampuan yang dimiliki jaringan saraf tiruan dapat digunakan untuk
belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang
dimasukkan dan membuat prediksi tentang kemungkinan output yang akan
muncul atau menyimpan karakteristik dari input yang disimpan kepadanya
(Kristanto, 2004:37).
Jaringan saraf tiruan dapat dibayangkan seperti otak buatan di dalam
cerita-cerita fiksi ilmiah. Otak buatan ini dapat berpikir seperti manusia dan juga
sepandai manusia dalam menyimpulkan sesuatu dari potongan-potongan
2
informasi yang diterima. Hayalan manusia tersebut mendorong para peneliti untuk
mewujudkannya. Komputer diusahakan agar dapat berpikir sama seperti cara
berpikir manusia. Caranya adalah dengan melakukan peniruan terhadap aktivitas-
aktivitas yang terjadi di dalam sebuah jaringan saraf biologis (Puspitaningrum,
2006:1).
Kelebihan jaringan saraf tiruan ini adalah tidak perlu adanya asumsi
bahwa data harus berdistribusi multivariat normal dan metode ini mempunyai
ketelitian yang sangat tinggi serta dapat membantu dalam menyederhanakan
berbagai permasalahan yang tidak dapat diselesaikan dengan menggunakan
pendekatan matematis atau pendekatan numerik. Pada beberapa tulisan disebutkan
bahwa algoritma pembelajaran jaringan saraf tiruan dapat menyelesaikan
permasalahan model deret berkala nonlinier dengan algoritma pembelajaran
backpropagation (Stern, 1996:128).
Metode bakpropagation merupakan metode yang sangat baik dalam
menangani masalah pengenalan pola-pola kompleks. Metode ini merupakan
metode jaringan saraf tiruan yang popular. Beberapa contoh aplikasi yang
melibatkan metode ini adalah pengompresian data, pendeteksian virus komputer,
pengidentifikasian objek, sintesis suara dari teks, dan lain-lain (Puspitaningrum,
2006:125). Jadi, untuk backpropagation sangat baik dijadikan metode dalam
penentuan status gizi balita pada skripsi ini.
Algoritma pembelajaran backpropagation ini merupakan algoritma
pembelajaran yang terawasi dimana input dan output-nya telah ditentukan
sebelumnya (Kusumadewi, 2004:89). Pasangan data tersebut juga berfungsi dalam
memberikan informasi yang jelas tentang bagaimana sistem jaringan yang harus
3
dibangun dan dimodifikasi sehingga nantinya diperoleh jaringan saraf tiruan
dengan bentuk yang terbaik. Pasangan data ini dipakai untuk melatih bobot-bobot
input untuk mencari output aktual untuk dibandingkan dengan output target awal.
Selisih antara output aktual dengan output target ini disebut error (Siang,
2009:97-98). Error yang timbul ini digunakan untuk memodifikasi bobot-bobot
sehingga perubahan bobot ini diharapkan dapat mengurangi besarnya error
sampai pada nilai yang diinginkan. Jaringan saraf tiruan diharapkan dapat
menghasilkan jawaban yang sedekat mungkin dengan jawaban yang benar yang
telah diketahui sebelumnya oleh jaringan saraf tiruan.
Kelebihan backpropagation adalah melatih jaringan untuk mendapatkan
keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan
selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar
terhadap pola masukan yang serupa dengan pola yang dipakai selama pelatihan.
Salah satu permasalahan yang dapat dipecahkan secara baik oleh aplikasi jaringan
saraf tiruan dalam mendeteksi status gizi balita.
Sehingga algoritma matematika pada backpropagation dapat diaplikasikan
dalam ilmu kesehatan. Mengenai hal ini peran ilmu matematika sangat penting
bagi ilmu kesehatan. Begitupun ilmu-ilmu yang lainnya yang terikat satu sama
lain agar mampu memahami yang belum diketahui.
Pada dasarnya keberadaan ilmu pengetahuan adalah untuk kepentingan
manusia terutama dalam memperbaiki hidupnya dalam rangka meningkatkan serta
mencapai kebahagian dan ketenangan hidup. Dalam usaha untuk memecahkan
masalah-masalah kehidupan yang dapat dipertanggungjawabkan secara etis,
penelitian ilmiah perlu terus dilakukan dengan tidak meninggalkan moral dan
4
agama yang seharusnya mendasari dalam segala kegiatannya. Azaz moral yang
terkandung dalam kegiatan keilmuan merupakan sumbangan positif, baik bagi
pembentukan manusia perorangan maupun pembentukan karakter suatu bangsa
(Syafi‟ie, 2000:1-2). Seperti firman Allah yang telah dijelaskan dalam al-Quran
surat al-Ankabuut ayat 43.
Artinya: dan perumpamaan-perumpamaan ini Kami buat untuk manusia; dan
tiada yang memahaminya kecuali orang-orang yang berilmu (Qs. al-
Ankabuut/29:43).
Pada ayat di atas dijelaskan bahwa manusia tidak akan mampu
memahami segala sesuatu yang terjadi tanpa berbekal ilmu, sehingga disarankan
untuk memperbanyak belajar agar menambah wawasan diri. Bahkan dalam hadits
ditekankan dalam pencarian ilmu „‟Carilah ilmu walaupun ke negeri Cina‟‟.
Mengingat pentingnya ilmu bagi setiap orang yang gunanya untuk menjaga
dirinya sendiri dan memberi manfaat bagi orang lain, dalam hadits lain juga
menekankan „‟karena jika ingin selamat di dunia maka dengan ilmu, jika ingin
selamat di akhirat maka dengan ilmu, dan jika ingin selamat keduanya maka
dengan ilmu’’.
Al-Quran menjadikan ilmu pengetahuan bukan hanya untuk mencapai
kebenaran dalam rangka memenuhi kebutuhan hidup di dunia ini, melainkan lebih
jauh dari pada itu adalah untuk mencapai keselamatan, ketenangan serta
kebahagian hidup di balik kehidupan dunia yang fana ini, yaitu kehidupan di
akhirat. Mereka hanya mengetahui yang nampak saja dari kehidupan manusia,
sedangkan kehidupan akhirat mereka lalaikan.(Qs. ar-Rum:6-7). Bukanlah
5
akhirat itu lebih baik dari pada (yang) pertama (dunia).(Qs. ad-Duha:3).
(Syafi‟ie, 2000:142).
Agar ilmu dapat bermanfaat bagi diri sendiri dan orang lain maka harus
diaplikasikan dalam kehidupan sehari-hari. Pada skripsi ini akan dijelaskan lebih
dalam tentang pengaplikasian jaringan saraf tiruan pada gizi balita, karena gizi
merupakan salah satu faktor penting yang menentukan tingkat kesehatan dan
kesejahteraan manusia. Keadaan gizi seseorang dikatakan baik apabila terdapat
keseimbangan dan keserasian antara perkembangan fisik dan perkembangan
mental orang tersebut.
Berdasarkan uraian di atas, maka penulis akan menjelaskan lebih dalam
tentang status gizi balita dengan mengangkat judul skripsi “Penggunaan Jaringan
Saraf Tiruan untuk Mendeteksi Status Gizi Balita dengan Metode
Backpropagation”.
1.2 Rumusan Masalah
Berdasaran latar belakang di atas maka rumusan masalah dalam skripsi
ini adalah sebagai berikut:
1. Bagaimana mendapatkan means square error yang minimum pada status gizi
balita dengan metode backpropagation?
2. Bagaimana model arsitektur jaringan saraf tiruan pada status gizi balita di UPT
Puskesmas Dinoyo Malang?
6
1.3 Tujuan Penelitian
Dilihat dari rumusan masalah pada skripsi ini, maka tujuan penelitian ini
adalah sebagai berikut:
1. Untuk mendapatkan means square error yang minimum pada status gizi balita
dengan metode backpropagation.
2. Untuk mengetahui model arsitektur jaringan saraf tiruan pada status gizi balita
di UPT Puskesmas Dinoyo Malang.
1.4 Batasan Masalah
Agar terdapat kejelasan mengenai pembahasan skripsi ini maka
diperlukan batasan masalah yang akan dibahas. Batasan masalah untuk penelitian
ini adalah sebagai berikut:
1. Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner
2. Data yang digunakan adalah:
a. Data status gizi bagi balita (balita di bawah umur 60 bulan) di UPT Puskesmas
Dinoyo Malang.
b. Parameter penentu adalah berat badan (BB), dan panjang badan (PB)
c. Pengukuran yang digunakan adalah pengukuran antropometri sesuai dengan
standar WHO-2005 di UPT Puskesmas Dinoyo Malang.
3. Program yang digunakan adalah program matlab dan pendukung lainnya.
1.5 Manfaat Penelitian
Manfaat penelitian ini adalah mempermudah dalam menyelesaikan suatu
masalah yang bersangkutan dengan masalah status gizi balita dengan
7
menggunakan metode backpropagation pada jaringan saraf tiruan. Karena
kesehatan masa balita sangat penting bagi kehidupan manusia, ini berarti bahwa
konsumsi gizi masa kanak-kanak memberi andil terhadap status gizi masa dewasa.
1.6 Metode Penelitian
Metode yang digunakan dalam penelitian ini adalah metode penelitian
perpustakaan, yaitu dengan mengumpulkan data dan informasi dengan bantuan
bermacam-macam materi yang terdapat di ruangan perpustakaan, seperti buku-
buku, majalah, dokumen, catatan, kisah-kisah sejarah dan pendukung lainnya
(Mardalis, 1990:28).
Dalam penelitian ini ada dua tujuan yang dilakukan. Setiap tujuan
mempunyai langkah-langkah untuk mendapatkan hasil yang diinginkan. Tujuan
yang dimaksud adalah sebagai berikut:
1. Tujuan pertama
Tujuan yang pertama agar proses kerja jaringan berjalan dengan lancar
maka dilakukan langkah-langkah sebagai berikut:
Langkah 1 : Menetapkan data/nilai input, yaitu berat badan menurut panjang
badan (Kusumadewi, 2004:95).
Langkah 2 : Membuat inisialisasi semua bobot dengan bilangan acak kecil [-0.5,
0.5] (Siang, 2009:102-104).
Fase I : Dengan Metode Forward Propagation
Langkah 3 : Tiap unit masukan (i 1,2,3,.....,n) menerima sinyal dan
meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di
atasnya.
8
Langkah 4 : Tiap-tiap unit lapisan tersembunyi ( j 1,2,3,....., p)
menjumlahkan sinyal-sinyal input terbobot dengan persamaan
sebagai berikut:
∑
Kemudian dihitung nilai keluaran dengan menggunakan fungsi
aktivasi:
y= f(x)
f(x)= f( )
=f( ) =
Kemudian dari fungsi aktivasi sigmoid tersebut dikirimkan sinyal
ke semua unit di lapisan berikutnya.
Langkah 5 : Setelah fungsi aktivasi didapatkan dengan cara sebagai berikut:
(k 1,2,3,...,m)
∑
didapatkan nilai output dengan menggunakan fungsi aktivasi:
= f( ) =
Setelah didapatkan fungsi aktivasi output, selanjutnya:
Fase II : Dengan Metode Backpropagation
Langkah 6 : Tiap-tiap unit keluaran (k 1,2,3,...,m) menerima target pola
yang berhubungan dengan pola input pembelajaran, menghitung
informasi error-nya dengan persamaan sebagai berikut:
( ) f( )
9
( ) (1- )
Kemudian menghitung koreksi nilai bobot yang akan digunakan
untuk memperbaharui nilai :
Kemudian menghitung koreksi nilai bias yang akan digunakan
untuk memperbaharui nilai :
Selanjutnya mengirimkan ke unit-unit yang ada di lapisan
bawahnya.
Langkah 7 : Tiap-tiap unit hidden ( j =1,2,3,..., p) menjumlahkan delta input
(dari unit-unit yang berada pada lapisan di atasnya) dengan
persamaan sebagai berikut:
∑
Kemudian nilai tersebut dikalikan dengan nilai turunan dari fungsi
aktivasi untuk menghitung informasi kesalahan:
_ f( )
Menghitung koreksi nilai bobot yang kemudian digunakan untuk
memperbaharui :
Menghitung koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai :
10
Fase III : Perubahan Bobot
Langkah 8 : Tiap-tiap unit output (k = 1,2,3,...,m) memperbaiki bias dan
bobotnya ( j =1,2,3,..., p) dengan persamaan sebagai berikut:
( ) ( )
tiap-tiap unit hidden ( j =1,2,3,..., p) memperbaiki bias dan
bobotnya (i = 1,2,3,.....,n) dengan persamaan sebagai berikut:
( ) ( )
Langkah 9 : Menghitung mean square error, jika nilai mean square error lebih
besar dari target error, maka dilakukan pengulangan pada langkah 2-
8 secara terus-menerus sehingga didapatkan MSE yang minimum
(Kusumadewi, 2004:97).
2. Tujuan Kedua
Tujuan kedua dimaksudkan untuk kejelasan data yang ingin diambil dan
menyimpulkannya, maka dilakukan langkah-langkah sebagai berikut:
1. Mendeskripsikan data.
2. Analisis data dengan tahapan sebagai berikut:
a) Menentukan input.
b) Menentukan jumlah layar tersembunyi
c) Menentukan fungsi aktivasi.
d) Menentukan bobot dari unit input dengan memilih nilai yang bernilai kecil,
kemudian bobot dari unit keluaran mengambil selisih dari hasil perhitungan
dengan nilai target yang kemudian digunakan untuk meng-update bobot.
e) Analisis hasil pengelompokan.
f) Menarik kesimpulan dari hasil pengelompokan.
11
1.7 Sistematika Penulisan
Dalam penulisan skripsi ini, penulis menggunakan sistematika penulisan
yang terdiri dari 4 bab, dan masing-masing bab dibagi dalam sub bab dengan
sistematika penulisan sebagai berikut:
Bab I Pendahuluan
Pada bab ini terdiri dari latar belakang, rumusan masalah, tujuan
penelitian, batasan masalah, manfaat penelitian, metode penelitian, dan
sistematika penulisan.
Bab II Kajian Pustaka
Pada bab ini penulis menjelaskan konsep-konsep yang menjadi landasan
pembahasan masalah, yaitu jaringan saraf tiruan, backpropagation, metode
optimasi error, dan status gizi balita.
Bab III Pembahasan
Pada bab ini penulis menjelaskan tentang model jaringan saraf tiruan
dengan metode backpropagation dalam mendeteksi status gizi balita dengan
jaringan saraf tiruan menggunakan metode backpropagation.
Bab IV Penutup
Pada bab ini penulis memberikan kesimpulan yang diperoleh dari
pembahasan yang dilengkapi dengan saran-saran yang berkaitan dengan hasil
penelitian ini.
12
BAB II
KAJIAN PUSTAKA
2.1 Jaringan Saraf Tiruan
Sejarah jaringan saraf tiruan dimulai pada tahun 1940-an, jaringan saraf
tiruan pertama kali didesain oleh Warren McCulloch dan Walter Pitts (1943).
McCulloch–Pitts menemukan bahwa mengkombinasikan banyak neuron
sederhana sehingga menjadi sebuah sistem saraf merupakan sumber peningkatan
tenaga komputasional. Bobot pada McCulloch-pitts diset sedemikian hingga
neuron tersebut melakukan sebuah fungsi logika sederhana yang khusus. Neuron-
neuron yang berbeda melakukan fungsi-fungsi yang berbeda pula. Neuron-neuron
disusun menjadi sebuah jaringan untuk menghasilkan sembarang output yang bisa
digambarkan sebagai sebuah kombinasi fungsi-fungsi logika. Aliran informasi
melalui jaringan mengasumsikan suatu langkah waktu unit sebuah signal berjalan
dari satu neuron ke neuron berikutnya (Kusumadewi, 2003:208)
Salah satu fitur dari neuron McColluch-Pitts yang banyak digunakan pada
neuron jaringan saraf tiruan dewasa ini adalah fitur ambang. Ide mengenai
ambang menyatakan bahwa jika input jaringan ke sebuah neuron lebih besar dari
nilai ambang maka unit akan mengeksekusi. Penelitian McColluch-Pitts
berikutnya (1947) mengedepankan isu-isu yang masih aktual sebagai bidang
penelitian saat ini, misalnya tranlasi dan rotasi pengenalan pola invariant.
Pada tahun 1950-an dan 1960-an jaman keemasan jaringan saraf tiruan
yaitu dikenalkan oleh Frank Rosenblatt bersama-sama dengan peneliti lainnya
(1958, 1959, 1962) memperkenalkan dan mengembangkan sebuah kelompok
13
besar jaringan saraf tiruan yang disebut perceptron. Perceptron paling tipikal
terdiri dari sebuah lapisan input (retina) yang terhubung oleh jalur-jalur, dengan
bobot-bobot tetap, ke neuron-neuron asosiator. bobot pada jalur–jalur koneksi
tersebut dapat diatur (Kusumadewi, 2003:208).
Metode adaline yang diperkenalkan oleh Bernard Widrow dan
mahasiswanya yang bernama Marcian Hoff (1960) mengembangkan sebuah
aturan pembelajaran yang berhubungan erat dengan aturan pembelajaran
perceptron. Aturan perceptron mengatur bobot-bobot koneksi ke sebuah unit
bilamana respon unitnya tidak benar (respon menunjukkan klasifikasi pola input).
Aturan delta mengatur bobot-bobot untuk mengurangi selisih antara input jaringan
ke unit output dengan output yang diinginkan. Hasilnya berupa error kuadrat
pertengahan yang paling kecil. Persamaan psikologi yang dikembangkan oleh
Rosenblatt dengan model teknik elektro yang dikembangkan oleh Windro dan
Hoff adalah bukti sifat interdisipliner jaringan saraf tiruan. Perbedaan dalam
aturan pembelajaran, meskipun sedikit, membawa kearah kemampuan yang lebih
baik dari jaringan untuk menggeneralisasi (Kusumadewi, 2003:208).
Pada tahun 1970-an adalah masa tenang, disamping demontrasi mengenai
keterbatasan perceptron (jaringan lapis tunggal) yang mengakibatkan turunnya
antusiasme para peneliti, penelitian mengenai jaringan saraf tiruan terus berlanjut,
di antaranya, Kohonen, Anderson, Grossberg, dan Cerpenter (Kusumadewi,
2003:208).
Tahun 1980-an antusiasme baru yaitu terlahir beberapa metode seperti
backpropagation, jaringan hopfield, neocognitron, mesin boltzmann,
implementasi perangkat keras. Dua buah alasan terjadinya masa tenang di tahun
14
1970-an adalah kegagalan perceptron lapis tunggal untuk memecahkan masalah
pemetaan sederhana, seperti fungsi XOR, dan kurangnya metode umum untuk
pelatihan jaringan saraf tiruan multi lapis. Sebenarnya sebuah metode untuk
menyiarkan informasi error pada unit output kembali ke unit-unit tersembunyi
telah ditemukan pada dekade sebelumnya oleh Werbos (1974) tetapi tidak
mendapat publisitas meluas (Kusumadewi, 2003:208).
Usaha manusia dalam mengembangkan suatu sistem yang meniru
kemampuan dan perilaku makhluk hidup telah berlangsung selama beberapa
dekade belakangan ini. Jaringan saraf tiruan merupakan hasil perkembangan ilmu
dan teknologi yang kini sedang berkembang pesat. Jaringan saraf tiruan yang
berupa susunan sel-sel neural network (neuron) dibangun berdasarkan prinsip-
prinsip organisasi otak manusia. Perhatian yang besar pada jaringan saraf tiruan
disebabkan adanya keunggulan yang dimilikinya seperti kemampuan untuk
belajar komputasi paralel, kemampuan untuk memodelkan fungsi nonlinier dan
sifat foult tolerance (Kusumadewi, 2003:208).
Jaringan saraf tiruan adalah suatu metode pengelompokan dan pemisahan
data yang prinsip kerjanya sama seperti neural network pada manusia. Elemen
mendasar dari paradigma tersebut adalah struktur yang baru dari sistem
pemrosesan informasi. Jaringan saraf tiruan dibentuk untuk memecahkan suatu
masalah tertentu seperti pengenalan pola atau klasifikasi karena proses
pembelajaran (Puspitaningrum, 2006:12).
Berpangkal dari kebenaran yang diperoleh ini, manusia berusaha untuk
menerapkannya dalam kehidupan sehari-hari. Dalam ilmu pengetahuan biasa
15
disebut dengan teknologi yang merupakan anak kandung dari ilmu pengetahuan
baik dalam sekala kecil maupun sekala besar.
Kembali pada ayat al-Quran yang pertama kali diturunkan adalah
penegasan bahwa, setiap aktivitas belajar dan juga penelitian harus disadari
dengan nilai ketuhanan. Perintah “membaca” dengan menyandarkan pada nama
Tuhan Yang Maha Mulia akan memberikan landasan yang kuat dalam setiap
kegiatan baik saat ilmuan mengadakan penelitian untuk menemukan suatu
kebenaran hinggga menggunakan hasil penemuannya.
Satu pertanyaan yang menarik dari salah seorang ilmuan di bidang
hubungan international yaitu Marwah Daud Ibrahim adalah, ada tiga hal yang
sepatutnya menjadi perhatian bagi ilmuan yang akan mengembangkan ilmu
pengetahuan dalam hal ini juga dalam penggunaannya. Pertama; pengembangan
ilmu pengetahuan memerlukan kerendahan hati. Ilmu pengetahuan adalah
Commond Beritage of Mankind (warisan bersama umat manusia). Tak satupun
ilmu pengetahuan atau teknologi yang dapat diklaim oleh suatu ras, bangsa atau
agama sebagai miliknya atau hasil pekerjaannya semata (Syafi‟ie, 2000:148).
Kedua; pengembangan ilmu pengetahuan dan teknologi memerlukan
solidaritas. Berbicara tentang masa depan pada dasarnya berbicara tentang masa
depan manusia yang ada di planet ini, dan pada dasarnya dunia ini semakin
interdependence artinya saling ketergantungan satu sama lain misalnya kejadian
di suatu negara mempunyai implikasi yang langsung pada bagian dunia yang lain.
Ketiga; pengembangan ilmu pengetahuan dan tekologi memerlukan
kerjasama antara ilmuan dan agamawan. Kini teknologi berkembang dengan
16
sangat pesat terutama dengan ditemukannya teknologi transportasi dan
komunikasi serta rekayasa genetika (Syafi‟ie, 2000:148).
Dengan melihat perkembangan ilmu yang semakin baik, maka dengan
demikian perkembangan ilmu dan pengaplikasiannya sangat penting untuk
ditingkatkan agar ilmu semakin meluas dan mampu menyelesaikan permasalahan
yang lebih rumit. Semakin banyak ilmu yang kita dapatkan dan semakin sering
diamalkan maka dengan sendirinya ilmu itu akan bertambah dan Allah akan
membalas kebaikan itu dengan balasan yang setimpal, seperti firman Allah dalam
surat an-Nisaa‟ ayat 162.
Artinya: tetapi orang-orang yang mendalam ilmunya di antara mereka dan
orang-orang mukmin, mereka beriman kepada apa yang telah
diturunkan kepadamu (Al-quran), dan apa yang telah diturunkan
sebelummu dan orang-orang yang mendirikan shalat, menunaikan zakat,
dan yang beriman kepada Allah dan hari kemudian. orang-orang itulah
yang akan kami berikan kepada mereka pahala yang besar (Qs. an-
Nisaa’/4:162).
Ada beberapa tipe jaringan saraf, namun demikian, hampir samuanya
memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan
saraf juga terdiri dari beberapa neuron dan ada hubungan antara neuron-neuron
tersebut. Neuron-neuron tersebut akan mentranformasikan informasi yang
diterima melalui sambungan keluarnya menuju ke neuron-neuron lainnya. Pada
17
jaringan saraf nama ini dikenal sebagai bobot. Informasi tersebut disimpan pada
suatu nilai tertentu pada bobot tersebut (Kusumadewi, 2003:209).
2.2 Konsep Dasar Jaringan Saraf Tiruan
Pembagian arsitektur jaringan saraf tiruan bisa dilihat dari kerangka kerja
dan skema interkoneksi. Kerangka kerja jaringan saraf tiruan dapat dilihat dari
jumlah lapisan (layer) dan jumlah node pada setiap lapisan.
Lapisan-lapisan penyusun jaringan saraf tiruan dapat dibagi menjadi tiga, yaitu:
1. Lapisan input
Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input
menerima input dari dunia luar. Input yang dimasukkan merupakan
penggambaran dari suatu masalah (Puspitaningrum, 2006:9).
2. Lapisan tersembunyi
Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi.
Output dari lapisan ini tidak secara langsung dapat diamati.
3. Lapisan output
Node-node dari lapisan output disebut unit-unit output. keluaran atau
output dari lapisan ini merupakan output jaringan saraf tiruan terhadap
suatu permasalahan.
2.3 Kegunaan dan Aplikasi Jaringan Saraf Tiruan
Menurut Kristanto (2004:34) ada beberapa aplikasi dari jaringan saraf
tiruan yang sekarang ini banyak digunakan dalam berbagai bidang, antara lain:
pemrosesan sinyal, pengenalan pola, kedokteran dan masih banyak lagi yang
lainnya.
18
1. Pemrosesan Sinyal
Ada banyak aplikasi jaringan saraf dalam area yang umum dari
pemrosesan sinyal. Salah satu dari aplikasi komersial pertama adalah untuk
menekan gangguan suara pada line telepon. Jaringan saraf yang digunakan
untuk tujuan ini adalah adaline. Kebutuhan untuk membatalkan gema
adaptive telah menjadi penekanan dengan perkembangan jaringan satelit
transkonental untuk sirkuit telepon jarak jauh.
2. Pengenalan Pola
Banyak masalah-masalah menarik yang masuk kedalam area umum
dari pengenalan pola. Sebuah area yang spesifik dimana banyak aplikasi
jaringan saraf telah dikembangkan adalah pengenalan otomatis dari karakter
tulisan (angka atau huruf). Variasi yang luas pada ukuran , posisi, bentuk
tulisan membuatnya menjadi masalah yang sulit untuk teknik konvensional.
Pada jaringan saraf dengan topologi multilayer seperti jaringan
backpropagation, telah digunakan untuk mengenali pola tulisan. Pendekatan
alternatif untuk masalah karakter tulisan disebut neocognitron. Jaringan ini
mempunyai beberapa lapisan, masing-masing dengan pola struktur dari
koneksi lapisan sebelumnya dan lapisan berikutnya. Tetapi latihan ini adalah
proses lapisan demi lapisan, dispesialisasikan untuk aplikasi.
3. Kedokteran
Salah satu dari banyak contoh dari aplikasi jaringan saraf kedokteran
dikembangkan pada pertengahan tahun 1980-an oleh Anderson dan kawan-
kawan. Contoh itu disebut instan physician. Ide dibalik aplikasi itu adalah
untuk melatih jaringan saraf memori auto associative. Untuk menyimpan
19
sejumlah data kedokteran, yang meliputi informasi pada gejala, diagnosis, dan
perawatan untuk hal-hal tertentu. Sesudah pelatihan jaringan dapat
dipresentasikan dengan input yang terdiri dari serangkaian gejala itu kemudian
menemukan pola penyimpanan yang mewakili diagnosis dan perawatan yang
terbaik.
2.4 Arsitektur Jaringan Saraf Tiruan
Jaringan saraf tiruan mempunyai beberapa arsitektur yang sering
digunakan, arsitektur yang digunakan dalam penelitian ini adalah jaringan dengan
banyak lapisan (multi layer net)
Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak
diantara lapisan input dan lapisan output (memiliki 1 atau lebih lapisan
tersembunyi), seperti terlihat pada gambar 2.1. Umumnya terdapat lapisan bobot-
bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak
lapisan ini dapat menyelesaikan permasalahan yang lebih sulit dari pada lapisan
dengan lapisan tungggal, tentu saja dengan pembelajaran yang lebih rumit
(Hermawan, 2006:40).
20
Nilai input
Lapisan input
Matriks bobot
Matriks bobot ke-
Lapisan output
Nilai output
Gambar 2.1 Jaringan Saraf dengan Banyak Lapisan (Hermawan, 2006:40).
2.5 Fungsi Aktivasi
Seperti yang telah dijelaskan sebagian sebelumnya, operasi dasar dari
jaringan saraf tiruan meliputi penjumlahan bobot sinyal input dan menghasilkan
suatu output, atau fungsi aktivasi (Kristanto, 2004:28). Fungsi aktivasi yang
digunakan dalam penelitian ini adalah fungsi aktivasi sigmoid biner.
1. Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan
mengunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai
pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk
jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0
sampai 1. Namun, fungsi ini juga digunakan oleh jaringan saraf yang nilai
outputnya 0 atau 1.
Data Data Data
Y
Data
21
Fungsi sigmoid biner dirumuskan sebagai berikut:
dengan: [ ]
Gambar 2.2 Fungsi Aktivasi Sigmoid Biner (Kusumadewi, 2003:218).
2.6 Backpropagation pada Jaringan Saraf Tiruan
Algoritma pelatihan jaringan perambatan galat mundur terdiri atas dua
langkah, yaitu perambatan maju dan mundur. Langkah perambatan maju dan
perambatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan
selama jaringan mengalami pelatihan.
Jaringan galat mundur terdiri dari tiga lapisan atau lebih unit pengolah.
Lihat Gambar 2.3 menunjukkan jaringan perambatan galat mundur dengan tiga
lapisan pengolah, bagian kiri sebagai masukan, bagian tengah disebut sebagai
lapisan tersembunyi dan bagian kanan disebut lapisan keluaran. Ketiga lapisan ini
terhubung secara penuh
22
Gambar 2.3 Tiga Lapisan Jaringan Backpropagation (Hermawan, 2006:50).
2.6.1 Perambatan Maju
Perambatan maju dimulai dengan memberikan pola masukan kelapisan
masukan. Pola masukan ini merupakan nilai aktivasi unit-unit masukan. Dengan
melakukan perambatan maju dihitung nilai aktivasi pada unit-unit di lapisan
berikutnya. Pada setiap lapisan, tiap unit pengolah melakukan penjumlahan
berbobot dan menerapkan fungsi sigmoid untuk menghitung keluarannya.
Untuk menghitung nilai penjumlahan berbobot digunakan rumus:
∑
Dengan :
= Masukan yang berasal dari unit i
= Bobot sambungan dari unit ke unit
Setelah nilai dihutung, fungsi sigmoid diterapkan pada untuk
membentuk ). Fungsi sigmoid ini mempunyai persamaan:
1
X2
X3
1
X1 Z1
Z1
Zn
1
Y1
Y2
Y3
Yn
23
Elemen Pongalah
Gambar 2.4 Langkah Perambatan Maju (Hermawan, 2006:51).
2.6.2 Perambatan Mundur
Hasil perhitungan ( ) ini merupakan nilai aktivasi pada unit pengolah .
setelah perambatan maju selesai dikerjakan maka jaringan siap melakukan
perambatan mundur. Dalam perambatan mundur dilakukan proses menghitung
galat dan mengubah bobot pada semua interkoneksinya. Galat dihitung pada
semua unit pengolah dan bobotpun diubah pada semua sambungan. Perhitungan
dimulai pada lapisan keluaran dan mundur sampai lapisan masukan. Hasil
keluaran dari perambatan maju dibandingkan hasil keluaran yang diinginkan.
Berdasarkan perbedaan ini kemudian dihitung galat untuk tiap-tiap lapisan pada
jaringan. Pertama-tama menghitung galat untuk lapisan keluaran, kemudian setiap
bobot-bobot sambungan yang menuju kelapisan keluaran disesuaikan. Setelah itu
menghitung harga galat pada lapisan tersembunyi dan hitung perubahan bobot
yang menuju kelapisan tersembunyi. Demikian proses dilakukan mundur sampai
ke lapisan masukan secara iteratif. Jika adalah satu unit lapisan keluaran maka
galat lapisan keluaran dapat dihitung dengan rumus:
( ) ( )
0
0
24
Dengan:
= Keluaran yang diinginkan dari unit
= Keluaran dari unit
= Turunan dari fungsi sigmoid
= Hasil penjumlahan berbobot
1
0,25
-5 0 5 x -5 0 5 x
Gambar 2.5 Fungsi Sigmoid Beserta Turunannya (Hermawan, 2006:52).
Jika adalah salah satu lapisan tersembunyi, maka galat lapisan tersembuyi dapat
dihitung dengan menggunakan rumus:
k[∑ ( )]
Dengan:
= Perubahan bobot dari unit I ke unit j
= Laju belajar / konvergensi
= Galat lapisan tersembunyi
= Masukan yang berasal dari unit i
Variabel menyatakan suatu konstanta belajar yang berharga antara 0,25-
0,75. Nilai ini menunjukkan kecepatan belajar dari jaringan. Nilai yang terlalu
tinggi dapat menyebabkan jaringan menjadi tidak stabil sedangkan nilai yang
25
terlalu kecil dapat menjadikan waktu belajar yang lama. Oleh karena itu pemilihan
harus seoptimal mungkin agar didapatkan proses belajar yang cepat.
Jaringan perambatan mundur dilatih dengan metode terbimbing. Pada
metode ini jaringan diberi sekumpulan pasangan pola yang terdiri dari pola
masukan dan pola yang diinginkan. Pelatihan dilakukan berulang-ulang sehingga
dihasilkan jaringan yang memberi tanggapan yang benar terhadap semua
masukannya. Nilai “benar” disini ditunjukkan dengan nilai RMS / SSE galatnya
yang biasanya mempunyai nilai di bawah 0,1. Dengan nilai RMS/SSE di bawah
0.1 maka jaringan sudah boleh dikatakan terlatih.
Untuk mempercepat waktu pelatihan, prosedur perubahan bobot
dimodifikasi dengan menggunakan momentum nilai bobot ke t+1, hasilnya juga
ditentukan oleh nilai bobot ke (t) dan ke (t-1), yaitu selisihnya yang dikalikan
dengan suatu konstanta momentum (m) yang bernilai antara 0 dan 1.
2.6.3 Algoritma Pelatihan Backpropagation
Menurut Kurniawan (2006:33) terdiri dari dua tahapan, feedforward dan
backpropagation dari galatnya. Untuk jelasnya dapat dijelaskan rincian sebagai
berikut:
- langkah 0
Pemberian inisialisasi penimbang (diberi nilai kecil secara acak)
- langkah 1
Ulangi langkah 2 hingga 9 sampai kondisi akhir iterasi dipenuhi
- langkah 2
26
Untuk masing-masing pasangan data pelatihan (training data) lakukan langkah 3
hingga 8
- langkah 3
Masing-masing unit masukan ( , i = 1,…n) menerima sinyal masukan dan
sinyal tersebut disebarkan ke unit-unit bagian berikutnya (unit-unit lapis
tersembunyi)
- langkah 4
Masing-masing unit di lapis tersembunyi dikalikan dengan penimbang dan
dijumlahkan serta ditambah dengan biasnya
∑
Kemudian dihitung sesuai dengan fungsi pengaktif yang digunakan:
Bila yang digunakan adalah fungsi sigmoid maka bentuk fungsi tersebut adalah:
Sinyal keluaran dari fungsi pengaktif tersebut dikirim ke semua unit lapis keluaran
(unit keluaran).
- langkah 5
Masing-masing unit keluaran ( ) dikalikan dengan penimbang
dan dijumlahkan serta ditambah dengan biasnya:
∑
Kemudian dihitung kembali sesuai dengan fungsi pengaktif
27
- langkah 6
Masing-masing unit keluaran ( ) menerima pola target sesuai
dengan pola masukan saat pelatihan/training dan menghitung galatnya:
Karena = menggunakan fungsi sigmoid, maka:
( ) (
)
Menghitung perbaikan-perbaikan penimbang (kemudian untuk memperbaiki
).
Menghitung perbaikan koreksi:
dan menggunakan nilai delta ( ) pada unit lapis sebelumnya.
- langkah 7
Masing-masing penimbang yang menghubungkan unit-unit lapis keluaran dengan
unit-unit pada lapis tersembunyi ( , j=1,…p) dikalikan delta ( ) dan
dijumlahkan sebagai masukan ke unit-unit lapisan berikutnya.
∑
Selanjutnya dikalikan dengan turunan dari fungsi pengaktifnya untuk menghitung
galatnya.
Langkah berikutnya menghitung penimbang (digunakan untuk memperbaiki ).
28
Kemudian menghitung perbaikan bias (untuk memperbaiki )
Selanjutnya memperbaiki penimbang dan bias
- Langkah 8
Masing-masing keluaran unit ( , = 1,…m) memperbaiki bias dan
penimbangnya ( = 0,…p),
Masing-masing unit tersembunyi ( , = 1,…p) memperbaiki bias dan
penimbangnya ( = 0,…n).
- Langkah 9
Uji kondisi pemberhentian (akhiri iterasi)
Daftar Notasi:
= Pola masukan pelatihan ke-p, p = 1, 2,…,p < =1
= ( , ,… )
= Pola target keluaran dari pelatihan
= ( , ,… )
= Unit ke- pada lapis masukan
= Nilai pengaktif dari unit Xi
= Unit ke-j pada lapis tersembunyi
= Keluaran untuk unit
= Nilai pengaktif dari unit
= Unit ke-k pada lapis keluaran
= Keluaran untuk unit
29
= nilai pengaktif dari unit
= nilai penimbang pada bias untuk unit
= nilai penimbang dari ke unit
= selisih antara (t) dengan (t + 1)
= nilai penimbang dari unit ke unit
= selisih antara (t) dengan (t + 1)
= faktor pengendalian penimbang pada lapis keluaran
= faktor pengendalian nilai penimbang pada lapis tersembunyi
= konstanta laju pelatihan (learning rate) 0 < a < 1
= total galat
2.7 Inisialisasi Bobot dan Bias
2.7.1 Inisialisasi Acak
Prosedur yang umum dilakukan adalah menginisialisasi bias dan bobot,
baik dari unit input ke unit tersembunyi maupun dari unit tersembunyi ke unit
output ke dalam sebuah interval tertentu ( ), misalnya antara -0.4 sampai
0.4, -0.5, dan -1 sampai 1 (Puspitaningrum, 2006:134).
2.7.2 Inisialisasi Nguyen-Widrow
Waktu pembelajaran jaringan backpropagation yang bobot dan biasnya
diinisialisasi dengan inisialisasi Nguyen-Widrow lebih cepat dibanding bila
diinisialisasi dengan inisialisasi acak. Pada inisialisasi Nguyen-Widrow,
inisialisasi acak tetap terpakai tetapi digunakan untuk menginisialisasi bias dan
bobot dari unit tersembunyi ke unit output saja. Untuk bias dan bobot dari unit-
unit input ke unit-unit tersembunyi digunakan bias dan bobot yang khusus diskala
30
agar jatuh pada range tertentu. Dengan penskalaan maka diharapkan kemampuan
belajar dari unit-unit tersembunyi dapat meningkat.
Faktor skala Nguyen-Widrow ( ) didefinisikan sebagai:
Dengan:
n = Banyak unit input.
p = Banyak unit tersembunyi.
= Faktor skala.
Prosedur Inisialisasi Nguyen-Widrow
Untuk setiap unit tersembunyi dari unit ke-1 sampai unit ke-p:
1. Inisialisasi vektor bobot dari unit-unit input ke unit-unit tersembunyi ( =
1,...,p) dengan cara:
a. Menetukan bobot-bobot antara unit input ke unit tersembunyi ( ):
(lama) adalah bilangan acak antara – dan dimana = 1,…,n.
b. Menghitung ‖ ‖.
c. Menginisialisasi kembali :
‖ ‖
2. Menentukan bias antara unit input ke unit tersembunyi ( = 1,…,p): diset
dengan bilangan bilangan acak yang terletak pada skala antara – dan .
Sebuah eksperimen menarik untuk memecahkan masalah XOR dengan
jaringan backpropagation 2-4-1 dilakukan dengan 3 cara representasi:
representasi biner, bipolar, dan bipolar yang dimodifikasi, sedangkan inisialisasi
bobot dan bias dilakukan masing-masing dengan cara acak dan Nguyen-Widrow.
31
Adapun bipolar yang dimodifikasi adalah representasi bipolar yang nilai-nilai
target terpilihnya tidak berada pada asimtot fungsi sigmoid dengan harapan agar
konvergensi lebih cepat tercapai.
Berikut ini jumlah epoch yang dibutuhkan masing-masing pada representasi
biner, bipolar, dan bipolar yang dimodifikasi:
- Dengan inisialisasi acak: 2891, 387, dan 264
- Dengan inisialisasi Nguyen-Widrow: 1935, 224, dan 127.
Dapat disimpulkan bahwa penggunaan inisialisasi Nguyen-Widrow
mereduksi waktu yang dibutuhkan untuk melatih jaringan.
2.8 Lama Iterasi
Tujuan utama penggunaan backpropagation adalah mendapatkan
keseimbangan antara pengenalan pola pelatihan benar dan respon yang baik untuk
pola lain yang sejenis (disebut data pengujian). Jaringan dapat dilatih terus
menerus hingga semua pola pelatihan dikenali dengan benar. Akan tetapi hal itu
tidak menjamin jaringan akan mampu untuk mengenali pola pengujian dengan
tepat. Jadi tidaklah bermanfaat untuk meneruskan iterasi hingga semua kesalahan
pada pelatihan sama dengan 0.
Umumnya data dibagi menjadi dua bagian saling asing, yaitu pola data
yang dipakai sebagai pelatihan dan data yang dipakai untuk pengujian. Perubahan
bobot dilakukan pola pelatihan. Akan tetapi selama pelatihan (misal setiap 10
epoch), kesalahan yang terjadi berdasarkan semua data (pelatihan dan pengujian).
Selama kesalahan ini menurun, pelatihan terus dijalankan. Akan tetapi jika
kesalahannya terus meningkat, pelatihan tidak ada gunanya untuk diteruskan lagi.
32
Jaringan sudah mulai mengambil sifat yang hanya dimiliki secara spesifik oleh
data pelatihan (tapi tidak dimiliki oleh data pengujian) dan sudah mulai
kehilangan kemampuan melakukan generalisasi (Siang, 2009:112).
2.9 Pengertian Gizi
Gizi merupakan salah satu faktor penting yang menentukan tingkat
kesehatan dan kesejahteraan manusia. Keadaan gizi seseorang dikatakan baik
apabila terdapat keseimbangan dan keserasian antara perkembangan fisik dan
perkembangan mental orang tersebut.
Terdapat kaitan yang sangat erat antara tingkat keadaan gizi dengan
konsumsi makanan. Tingkat keadaan gizi optimal akan tercapai apabila kebutuhan
zat gizi optimal terpenuhi. Namun demikian, perlu diketahui bahwa keadaan gizi
seseorang dalam suatu masa bukan saja ditentukan oleh konsumsi zat gizi pada
saat itu saja, tetapi lebih banyak ditentukan oleh konsumsi zat gizi pada masa
yang telah lampau, bahkan jauh sebelum masa itu. Ini berarti bahwa konsumsi gizi
masa kanak-kanak memberi andil terhadap status gizi masa dewasa (Winarno,
1990:19-20).
2.9.1 Penilaian Status Gizi
Anggraeni & Aviarini (2010:37) menyatakan bahwa status gizi merupakan
ekpresi dari keadaan keseimbangan dalam bentuk variabel tertentu atau
perwujudan dari nutrisi dalam bentuk variabel tertentu. Sedangkan menurut
Supariasa (2001:18) macam-macam penilaian status gizi dibagi menjadi dua
yaitu penilaian status gizi secara langsung dan tidak langsung.
33
1. Penilaian Status Gizi Secara Langsung
Penilaian status gizi secara langsung dapat dibagi menjadi empat
penilaian yaitu antropometri, klinis, biokimia dan biofisik.
a. Antropometri
Metode antropometri yaitu menentukan status gizi dengan menggunakan
ukuran tubuh. Pengukuran antropometri merupakan cara yang paling mudah
dan tidak membutuhkan peralatan yang mahal.
b. Klinis
Penilaian status gizi secara klinis yaitu penilaian yang didasarkan pada
gejala yang muncul dari tubuh sebagai akibat dari kelebihan atau kekurangan
salah satu zat gizi tertentu. Setiap zat gizi memberikan tampilan klinis yang
berbeda, sehingga cara ini dianggap spesifik namun sangat subjektif.
c. Biokimia
Pemeriksaan gizi dilakukan secara laboratoris pada berbagai macam
jaringan tubuh. Jaringan tubuh yang digunakan antara lain : darah, urine, dan tinja.
d . Biofisik
Penilaian secara biofisik yaitu dengan mengukur elastisitas dan fungsi
jaringan tubuh. Cara ini jarang digunakan karena membutuhkan peralatan yang
canggih, mahal dan tenaga terampil.
2. Penilaian Status Gizi Secara Tidak Langsung
Penilaian status gizi secara tidak langsung dapat dibagi tiga, yaitu : survei
konsumsi makanan, statistik vital dan faktor ekologi.
a. Survei Konsumsi Makanan
Survei konsumsi makanan adalah metode penentuan status gizi secara
34
tidak langsung dengan melihat jumlah dan jenis zat gizi yang dikonsumsi.
Pengumpulan data konsumsi makanan dapat memberikan gambaran tentang
konsumsi berbagai zat gizi pada masyarakat, keluarga, dan individu.
b. Statistik Vital
Pengukuran status gizi dengan statistik vital adalah dengan menganalisis
beberapa data statistik kesehatan seperti angka kematian berdasarkan umur,
angka kesakitan dan kematian akibat penyebab tertentu dan data lainnya yang
berhubungan dengan gizi.
c. Faktor Ekologi
Mempelajari kondisi lingkunan berupa produksi pangan, pola makan,
sosial budaya, ekonomi dan variabel lain yang secara teoritis mempengaruhi status
gizi.
3. Indeks Antropometri
Menurut Supariasa (2001:56) indeks antropometri adalah kombinasi
antara beberapa parameter antropometri untuk menilai status gizi. Beberapa
indeks antropometri yang sering digunakan yaitu berat badan menurut umur
(BB/U), tinggi badan menurut umur (PB/U), berat badan menurut tinggi badan
(BB/PB), dan Indeks Massa Tubuh (IMT). Indeks BB/U, PB/U, BB/PB
digunakan untuk menilai status gizi anak-anak (kurang dari delapan belas tahun).
Sedangkan IMT digunakan untuk menilai status gizi orang dewasa (lebih dari
delapan belas tahun).
a. Berat Badan Menurut Umur (BB/U)
Berat badan adalah salah satu parameter yang memberikan gambaran
massa tubuh. Massa tubuh sangat sensitif terhadap perubahan-perubahan yang
35
mendadak, misalnya karena terserang penyakit infeksi, menurunnya nafsu makan
atau menurunnya jumlah makanan yang dikonsumsi.
b. Tinggi Badan Menurut Umur (TB/U)
Tinggi badan adalah salah satu ukuran pertumbuhan linier. Pada keadaan
normal, tinggi badan tumbuh seiring dengan pertambahan umur. Pertumbuhan
tinggi badan tidak seperti berat badan, relatif kurang sensitif terhadap masalah
kekurangan gizi dalam waktu yang singkat.
c. Berat Badan Menurut Tinggi Badan (BB/TB)
Berat badan memiliki hubungan yang linear dengan tinggi badan. Dalam
keadaan normal, perkembangan berat badan akan searah dengan pertumbuhan
tinggi badan dengan kecepatan tertentu. Indeks BB/TB tidak dipengaruhi oleh
umur.
d. Indeks Massa Tubuh (IMT)
IMT merupakan alat yang sederhana untuk memantau status gizi orang
dewasa, khususnya yang berkaitan dengan kekurangan dan kelebihan berat
badan. Penggunaan IMT hanya berlaku untuk orang dewasa berumur lebih dari 18
tahun dan tidak dapat diterapkan pada bayi, anak, remaja, ibu hamil, dan
olahragawan.
Untuk memantau kesehatan gizi masyarakat dalam jangka panjang dapat
digunakan sampel dari masyarakat tersebut yang merupakan bagian yang sangat
sensitif terhadap perubahan kondisi gizi di masyarakat itu. Kelompok anak balita
merupakan sampel yang memenuhi syarat demikian (Sediaoetama, 2004:45).
36
2.10 Pentingnya Ilmu dan Pengamalannya
Setiap ilmu memiliki peran penting dalam kehidupan sehari-hari, ilmu
agama ataupun ilmu duniawi yang saling melengkapi di antara keduanya.
Sehingga sangat disayangkan bila tidak mempelajarinya, karena ilmu agama dapat
menuntun dari kebutaan akan hal kebaikan, begitu juga dengan ilmu duniawi yang
dapat mencegah dari kepincangan akan hal urusan dunia. Seperti halnya ilmu
pengetahuan yang dibahas dalam skripsi ini, yaitu tentang status gizi balita yang
mempengaruhi kesehatan setiap orang di masa dewasa hingga tua.
Kesehatan seseorang diawali dari usia dini, dimana kesehatan dapat
melancarkan kelangsungan hidup seseorang. Bila kesehatan terjaga sejak balita
maka dapat dipastikan masa tua akan mengurangi tingkat penurunan kesehatan
yang lebih rendah. Sehingga dalam hal ini menuntut ilmu merupakan sebuah
kewajiban yang telah dipesankan oleh Nabi shalallahu „alaihi wa sallam :
“Menuntut ilmu adalah wajib bagi setiap muslim.” (HR. Ibnu Majah dan
dishahihkan al-Albani dalam Shahih Sunan Ibnu Majah).
Menuntut ilmu adalah kewajiban, sehingga setiap muslim dituntut untuk
belajar. Ketika ia telah memahami suatu ilmu maka iapun wajib pula
mengajarkannya kepada orang-orang yang belum paham. Dengan demikian, kelak
diharapkan takkan ada lagi kaum muslimin yang melakukan amalan sesuatu
namun ketika ia melakukan amalan tersebut ia tidak memiliki ilmu sebagai acuan
dalam mengamalkan perbuatan tersebut, terlebih perbuatan tersebut disandarkan
kedalam ibadah. Sungguh hal demikian yakni seseorang melakukan amalan akan
tetapi tidak memiliki ilmu di atasnya, Allah Swt mencelanya sebagaimana dalam
firman-Nya surat al-A‟raaf ayat 33.
37
Artinya: Katakanlah: “Tuhanku hanya mengharamkan perbuatan yang keji, baik
yang nampak ataupun yang tersembunyi, dan perbuatan dosa,
melanggar hak manusia tanpa alasan yang benar, (mengharamkan)
mempersekutukan Allah dengan sesuatu yang Allah tidak menurunkan
hujjah untuk itu dan (mengharamkan) mengada-adakan terhadap Allah
apa yang tidak kamu ketahui.” (Qs. al-A’raaf/7:33).
2.10.1 Manfaat Menuntut Ilmu Secara Umum
Menuntut ilmu akan mendatangkan manfaat yang sangat banyak bagi
siapapun yang melaksanakannya. Ia takkan merasa merugi kala menuntut ilmu.
Sebab dengannya Allah berikan kemuliaan. Di antara manfaat-manfaat menuntut
ilmu sebagai berikut.
Pertama, ia akan mampu memilah serta memilih mana yang benar dan mana yang
salah, ia pun takkan terpengaruh dengan orang lain dalam menjalankan sebuah
perbuatan. Secara otomatis seseorang yang telah memiliki ilmu dan terbiasa untuk
senantiasa menimba ilmu akan mudah baginya berada dalam keadaan yang tepat.
Sebab ia mengetahui konsekuensi dari melakukan sesuatu tanpa didasari oleh ilmu
seperti yang Allah firmankan dalam surat al-Isra ayat 36.
38
Artinya: “Dan janganlah kamu mengikuti apa yang kamu tidak mempunyai
pengetahuan tentangnya. Sesungguhnya pendengaran, penglihatan dan
hati, semuanya itu akan diminta pertanggungan jawabnya.” (Qs. al-
Isra/17:36).
Kedua, seseorang yang memiliki ilmu maka berarti ia telah menyelamatkan
dirinya dengan amalan-amalan yang senantiasa mengiringi dirinya sekalipun ia
telah wafat. Sebab ia memiliki ilmu dan mengamalkan ilmunya. Ia senantiasa
menjadikan ilmu tersebut bermanfaat bagi orang lain dan orang lain pun
merasakan manfaatnya hingga sekarang. Oleh karena itu ulama-ulama Islam
sangat tidak ingin ilmu tertahan hanya berhenti pada dirinya. Sebagian di antara
mereka menuliskan ilmu yang telah mereka miliki menjadi kitab-kitab yang
sampai sekarang masih dapat di nikmati isinya sekalipun sang penulis telah wafat.
Seperti Imam Bukhari, Imam Muslim, dan para periwayat hadits lainnya. Sebab
mereka senantiasa memegang teguh perkataan Nabi shalallahu „alaihi wa sallam :
“Jika manusia mati terputuslah amalnya kecuali tiga: shadaqah jariyah, atau
ilmu yang dia amalkan atau anak shalih yang mendoakannya.” (HR. Muslim dan
Ahmad)
Ketiga, ilmu adalah jalan menuju surga, dan barang siapa yang Allah kehendaki
kebaikan maka di antara tandanya tersebut ialah Allah memudahkan ia untuk
menjadikan baik segala urusannya. Seperti yang Nabi Muhammad Saw sabdakan:
“Barangsiapa menempuh jalan untuk mencari ilmu, maka Allah mudahkan
baginya jalan menuju surga.” (HR. Muslim).
39
“Siapa yang Allah kehendaki kebaikan, Allah akan pahamkan dia (masalah)
dien.” (HR. Bukhari).
Keempat, dari manfaat ilmu adalah, Allah akan mengangkat derajat bagi mereka-
mereka yang mau mencari, mengamalkan, mengajarkan, dan bersabar di atas ilmu
yang ia miliki. Hal ini sebagaimana yang Allah janjikan dalam firman-Nya surat
al-Mujadilah ayat 11.
Artinya: “Hai orang-orang beriman apabila kamu dikatakan kepadamu:
“Berlapang-lapanglah dalam majlis”, Maka lapangkanlah niscaya
Allah akan memberi kelapangan untukmu. dan apabila dikatakan:
“Berdirilah kamu”, Maka berdirilah, niscaya Allah akan meninggikan
orang-orang yang beriman di antaramu dan orang-orang yang diberi
ilmu pengetahuan beberapa derajat. dan Allah Maha Mengetahui apa
yang kamu kerjakan.” (Qs. al-Mujadilah/58:11).
Kelima dari keutamaan dan kegunaan menuntut ilmu ialah, pada salah satu
riwayat bahwasanya Nabi shalallahu „alaihi wa sallam mengatakan bahwa
seseorang yang menuntut ilmu dan mengajarkannya lebih baik dibandingkan
dengan shalat sunnah. Mengapa demikian? Hal ini disebabkan karena ilmu
memiliki manfaat bagi orang lain, sedangkan shalat sunnah hanya bermanfaat bagi
dirinya sendiri. Seperti dalam teks lengkap dari sabda Nabi tersebut:
“Keutamaan ilmu lebih baik dari keutamaan ibadah. Dan kunci agama adalah
bersikap wara’ (meninggalkan sesuatu yang dikhawatirkan memudharatkan di
40
akhirat).” (Diriwayatkan oleh Al-Bazzar, Abu Nu‟aim, Al-Hakim, dll, dari hadits
Hudzaifah Ibnul Yaman. Juga diriwayatkan oleh Ibnu Abi Syaibah dari Qais bin‟
Amr Al-Mula‟i, dishahihkan Al-Albani dalam Shahih Al-Jami‟ no. 4214. Lihat
pula Shahih Jami‟ Bayan Al-„Ilmi Wa Fadhlihi no. 27).
Maka penulis mengajak kaum muslimin untuk kembali mempelajari ilmu
yang bermanfaat bagi setiap manusia. Yang pertama dan paling utama ialah ilmu
agama dan tentunya itu akan bermanfaat bagi dirinya di akhirat kelak. Lalu setelah
itu diikutkan dengan ilmu yang bermanfaat bagi dunianya. Hal ini semata-mata
agar seorang muslim dapat berlaku seimbang dalam kehidupan sehari-harinya, hal
tersebut juga penting agar kelak ilmu agama yang ia miliki dapat membimbing
seseorang dalam mengarungi kehidupan dunia. Sehingga ia tak terkena celaan
Allah Swt dalam firman-Nya surat ar-Rum ayat 7.
Artinya: “Mereka hanya mengetahui yang lahir (saja) dari kehidupan dunia;
sedang mereka tentang (kehidupan) akhirat adalah lalai.” (Qs. ar-
Rum/30:7)
Dengan adanya ilmu agama pula, maka ia akan mampu menjadikan dunia sebagai
bagian dari jembatan untuk menuju kehidupan yang lebih abadi yakni akhirat
kelak (Diany, 2013).
41
BAB III
PEMBAHASAN
3.1 Deskripsi Data Status Gizi Balita Usia di Bawah 60 Bulan di UPT
Puskesmas Dinoyo Malang Tahun 2014
Dalam penentuan status gizi balita di UPT Puskesmas Dinoyo Malang
digunakan dua variabel unit input yaitu, variabel berat badan dan panjang badan,
deskripsi data yang digunakan adalah data status gizi balita yang diambil dari
UPT Puskesmas Dinoyo Malang Tahun 2014. Kemudian dianalisis dengan
program Minitab 14, dan menggunakan pengukuran indeks antropometri
berdasarkan standar WHO-2005. Dari penelitian ini data yang diambil sebanyak
69 pasien (balita), dengan data yang layak dijadikan sampel adalah sebanyak 37
pasien (balita), dari 37 pasien balita tersebut didapatkan status gizi sebagai
berikut: 7 pasien (balita) dengan status gizi sangat kurang, 10 pasien (balita)
dengan status gizi kurang, 15 pasien (balita) dengan kategori status gizi normal,
dan 5 pasien (balita) dengan status gizi lebih.
Selanjutnya akan dilakukan pengelompokan data status gizi balita usia di
bawah 60 Bulan berdasarkan pengukuran indeks antropometri dengan standar
WHO-2005 di UPT Puskesmas Dinoyo Malang Tahun 2014 sebagai berikut, lihat
Tabel 3.1.
42
Tabel 3.1 Data Asli Status Gizi Balita Berdasarkan Berat Badan Menurut Panjang
Badan (UPT Puskesmas Dinoyo Malang Tahun 2014).
Status Gizi Sangat
Kurang
Status Gizi Kurang Statuz Gizi Normal Status Gizi Lebih
BB PB BB PB BB PB BB PB
1.8 kg 45.0 cm 6.2 kg 66.5 cm 7.0 kg 66.5 cm 8.2 kg 60.5 cm
1.6 kg 45.5 cm 6.0 kg 66.5 cm 2.5 kg 45.0 cm 7.0 kg 55.5 cm
5.0 kg 62.5 cm 7.4 kg 72.0 cm 16.0 kg 99.5 cm 12.9 kg 79.5 cm
10.0 kg 95.0 cm 8.2 kg 78.5 cm 2.2 kg 45.0 cm 12.7 kg 80.0 cm
2.4 kg 50.5 cm 1.9 kg 45.0 cm 10.0 kg 78.5 cm 3.5 kg 45.5 cm
1.8 kg 45.0 cm 3.6 kg 55.0 cm 6.4 kg 60.0 cm
7.7 kg 77.5 cm 1.9 kg 45.0 cm 2.9 kg 50.0 cm
8.0 kg 77.0 cm 2.1 kg 45.0 cm
3.8 kg 55.5 cm 10.0 kg 76.5 cm
10.0 kg 88.0 cm 13.1 kg 89.5 cm
5.0 kg 59.0 cm
2.5 kg 45.5 cm
10.0 kg 77.5 cm
2.5 kg 45.5 cm
2.5 kg 45.0 cm
Berdasarkan data dari Tabel 3.1 tersebut selanjutnya dapat digambarkan
secara statistik status gizi balita di bawah umur 60 Bulan sebagai berikut:
Tabel 3.2 Deskripsi Data Keseluruhan Status Gizi Balita Usia di Bawah Umur 60
Bulan.
Deskripsi statistik: status gizi balita di UPT Puskesmas Dinoyo Malang Tahun 2014
Variable Mean SE Mean StDev Variance Sum Of Squares Minimum Q1
Berat badan 6.116 kg 0.643 3.914 15.319 1935.570 1.600 kg 2.500
Panjang badan 62.68 cm 2.74 16.66 277.45 155333.00 45.00 cm 45.50
Variable Median Q3 Maximum
Berat badan 6.000 9.100 16.000 kg
Panjang badan 60.00 77.50 99.50 cm
Deskripsi hasil data keseluruhan status gizi balita di bawah umur 60 Bulan
didapatkan rata-rata untuk berat badan sebesar 6.116 kg dengan SE mean 0.643 kg
dan panjang badan 62.68 cm dengan SE mean 2.74 cm. Dengan menggunakan
perbandingan indeks antropometri standart WHO-2005 status berat badan 6.116
43
kg dengan panjang badan 62.68 cm berada pada kategori status gizi normal pada
range 5.7 kg-7.9 kg. untuk nilai minimum berat badan 1.600 kg dengan panjang
badan 45.00 cm dengan range di bawah 1.9 kg adalah termasuk kategori status
gizi balita sangat kurus, kemudian untuk nilai maximumnya berat badan
didapatkan 16.000 kg dan panjang badan 99.50 cm dengan range 12.8 kg-17.8 kg
masuk dalam kategori status gizi normal untuk balita usia di bawah 60 Bulan.
Selanjutnya untuk grafik data keseluruhan status gizi balita dapat
digambarkan sebagai berikut:
Gambar 3.1 Histogram Data Keseluruhan Status Gizi Balita Usia di Bawah 60 Bulan.
Dari tabel 3.1 tersebut selanjutnya akan diuraikan menurut kategori status
gizi balita masing-masing yang telah diukur menggunakan indeks antropometri
standart WHO-2005 usia di bawah 60 Bulan yaitu sebagai berikut:
Data
Fre
qu
en
cy
100806040200
40
30
20
10
0
Mean StDev N
6,116 3,914 37
62,68 16,66 37
Variable
Berat Badan
Panjang Badan
Data Keseluruhan Status Gizi Balita Usia di Bawah 60 BulanNormal
44
3.1.1 Status Gizi Sangat Kurang
Deskripsi data untuk status gizi balita sangat kurang sesuai indeks
antropometri berdasarkan standar WHO-2005 sebagai berikut:
Tabel 3.3 Deskripsi Data Status Gizi Sangat Kurang di UPT Puskesmas Dinoyo
Malang Tahun 2014.
Deskripsi statistik: status gizi sangat kurang di UPT Puskesmas Dinoyo Malang
Tahun 2014
Variable Mean SE Mean StDev Variance Minimum Q1 Median Q3
Berat badan 4,33 kg 1,27 3,36 11,32 1,60 kg 1,80 2,40 7,70
Panjang badan 60,14 cm 7,38 19,53 381,31 45,00 cm 45,00 50,50 77,50
Variable Maximum Range
Berat badan 10,00 kg 8,40
Panjang badan 95,00 cm 50,00
Deskripsi data status gizi sangat kurang sesuai dengan kategori status gizi
berdasarkan standart WHO–2005 di UPT Puskesmas Dinoyo Malang Tahun
2014, dalam kategori balita usia di bawah 60 Bulan diperoleh rata-rata berat badan
balita adalah 4,33 kg dengan standart error rata–rata sebesar 1,27 kg, standart
deviasi sebesar 3,36 kg dengan nilai terendah sebesar 1,60 kg pada balita usia di
bawah 60 Bulan dan nilai maximumnya sebesar 10,00 kg, sedangkan untuk
panjang badan didapatkan rata–rata 60,14 cm, standart error rata–rata sebesar
7,38 cm, dengan nilai terendah sebesar 45,00 cm dan nilai maximumnya sebesar
95,00 cm.
45
Gambar 3.2 Scatterplot Status Gizi Sangat Kurang di UPT Puskesmas Dinoyo Malang.
3.1.2 Status Gizi Kurang
Kemudian deskripsi data status gizi kurang sesuai dengan kategori status
gizi berdasarkan indeks antropometri standar WHO–2005 di UPT Puskesmas
Dinoyo Malang Tahun 2014, dapat dilihat pada tabel di bawah ini.
Tabel 3.4 Deskripsi Data Status Gizi Kurang di UPT Puskesmas Dinoyo Malang.
Deskripsi statistik: status gizi kurang di UPT Puskesmas Dinoyo Malang Tahun 2014
Variable Mean SE Mean StDev Variance Minimum Q1 Median Q3
Berat badan 5,700 kg 0,883 2,792 7,796 1,900 kg 3,175 6,100 8,050
Panjang badan 64,90 cm 4,59 14,53 210,99 45,00 cm 52,50 66,50 77,38
Variable Maximum Range
Berat badan 10,00 kg 8,100
Panjang badan 88,00 cm 43,00
Dari hasil analisis tabel 3.4 bahwa berat badan memiliki rata–rata 5,700 kg,
dalam kategori balita usia di bawah 60 Bulan, standart error rata–rata sebesar
0,883 kg, standart deviasi sebesar 2,792 dengan nilai terendah sebesar 1,900 kg
panjang badan
be
rat
ba
da
n
100908070605040
10
9
8
7
6
5
4
3
2
1
Status gizi sangat kurang
46
dan nilai maximumnya sebesar 10,00 kg, sedangkan untuk panjang badan
didapatkan rata–rata 64,90 cm, standart error rata–rata sebesar 4,59 cm, dengan
nilai terendah sebesar 45,00 cm dan nilai maximumnya sebesar 88,00 cm.
Gambar 3.3 Scatterplot Status Gizi Kurang di UPT Puskesmas Dinoyo Malang
3.1.3 Status Gizi Normal
Selanjutnya deskripsi data status gizi normal sesuai dengan kategori status
gizi berdasarkan standar WHO–2005 di UPT Puskesmas Dinoyo Malang Tahun
2014, dapat dilihat pada tabel dibawah ini.
Tabel 3.5 Deskripsi Data Status Gizi Normal di UPT Puskesmas Dinoyo Malang
Tahun 2014. Deskripsi statistik: status gizi normal di UPT Puskesmas Dinoyo Malang Tahun 2014
Variable Mean SE Mean StDev Variance Minimum Q1 Median Q3
Berat badan 6,31kg 1,17 4,53 20,53 2,10 kg 2,50 5,00 10,00
Panjang badan 61,80 cm 4,76 18,43 339,60 45,00 cm 45,00 59,00 77,50
Variable Maximum Range
Berat badan 16,00 kg 13,90
Panjang badan 99,50 cm 54,50
panjang badan
be
rat
ba
da
n
908070605040
10
9
8
7
6
5
4
3
2
1
Status gizi kurang
47
Dari hasil analisis tabel 3.5 bahwa berat badan memiliki rata–rata 6.31 kg,
dalam kategori balita usia di bawah 60 Bulan, standart error rata–rata 1,17 kg,
dengan nilai terendah sebesar 2,10 kg dan nilai maximumnya sebesar 16,00 kg,
sedangkan untuk panjang badan didapatkan rata–rata 61,80 cm, standart error
rata–rata sebesar 4,76 cm, dengan nilai terendah sebesar 45,00 cm dan nilai
maximumnya sebesar 99,50 cm
Gambar 3.4 Scatterplot Status Gizi Normal di UPT Puskesmas Dinoyo Malang Tahun 2014
3.1.4 Status Gizi Lebih
Kemudian deskripsi data status gizi lebih sesuai dengan kategori status gizi
berdasarkan standar WHO–2005 di UPT Puskesmas Dinoyo Malang Tahun 2014,
dapat dilihat dari tabel di bawah ini.
Tabel 3.6 Deskripsi Data Status Gizi Lebih di UPT Puskesmas Dinoyo Malang
Deskripsi statistik: status gizi lebih di UPT Puskesmas Dinoyo Malang Tahun 2014
Variable Mean SE Mean StDev Variance Minimum Q1 Median Q3
Berat badan 8,86 kg 1,78 3,99 15,92 3,50 kg 5,25 8,20 12,80
Panjang badan 64,20 cm 6,79 15,19 230,70 45,50 cm 50,50 60,50 79,75
Variable Maximum Range
Berat badan 12,90 kg 9,40
Panjang badan 80,00 cm 34,50
panjang badan
bera
t ba
dan
100908070605040
16
14
12
10
8
6
4
2
Status gizi normal
48
Dari hasil analisis tabel 3.6 bahwa berat badan memiliki rata–rata 8,86 kg,
kategori balita usia di bawah 60 Bulan standart error rata–rata sebesar 1,78 kg,
dengan nilai terendah sebesar 3,50 kg dan nilai maximumnya sebesar 12,90 kg,
sedangkan untuk panjang badan didapatkan rata–rata 64,20 cm, standart error
rata–rata sebesar 6,79 cm, dengan nilai terendah sebesar 45,50 cm dan nilai
maximumnya sebesar 80,00 cm.
Gambar 3.5 Scatterplot Status Gizi Lebih di UPT Puskesmas Dinoyo Malang Tahun 2014.
3.2 Memodelkan Status Gizi Balita Dengan Jaringan Saraf Tiruan
3.2.1 Menetapkan Input
Pada penentuan input data dipengaruhi oleh dua variabel yaitu berat badan
dan panjang badan, dari dua variabel tersebut selanjutnya akan diklasifikasikan
menjadi empat keluaran status gizi balita yaitu: status gizi sangat kurang, status
gizi kurang, status gizi normal dan status gizi lebih.
panjang badan
be
rat
ba
da
n
8075706560555045
14
12
10
8
6
4
Status gizi lebih
49
3.2.2 Proses Kerja Jaringan Saraf Tiruan
Proses kerja jaringan yang akan dilakukan sesuai dengan langkah-
langkahnya yaitu fase 1 feedforward dengan langkah-langkahnya, fase 2
backpopagation dengan langkah-langkahnya, dan fase 3 perubahan bobot dengan
langkah-langkahnya. Pada proses kerja jaringan ini yang dilakukan adalah iterasi
pertama untuk pola pertama. Data yang diambil dari data pelatihan pada pola
pertama yaitu ( = 0.1010, = 0.6353, = 0.25, = 0.50, = 0.75, = 1).
Data pelatihan gunanya untuk melatih jaringan, proses pelatihan ini
dilakukan untuk mencari konfigurasi terbaik dengan cara mengubah konstanta
belajar dan jumlah lapisan tersembunyi secara coba-coba (trial and error).
Fase 1: Feedforward
Cara kerja jaringan untuk iterasi pertama dan pola pertama dari data
pelatihan, berikut langkah-langkahnya:
inisialisasi bobot yang terhubung ke hidden layer dengan bilangan acak.
= 0.3 = 0.1
= 0.2 = 0.4
1 = 0.1 = -0.1
Langkah 4 : Hitung keluaran unit tersembunyi
2
01
j j i jii
net v x vz
0.1 + 0.1010 (0.3) + 0.6353 (0.2) = 0.2574
-0.1 + 0.1010 (0.1) + 0.6353 (0.4) = 0.1642
Aktifkan keluaran unit tersembunyi dengan fungsi aktivasi:
( )
= 0.5640
50
= 0.5410
Inisialisasi bobot yang terhubung ke unit keluaran dengan bilangan acak kecil.
= 0.3 = 0.2 = 0.1 = -0.1
= 0.1 = -0.2 = 0.1 = 0.2
1 = -0.1 = 0.3 = 0.1 = 0.4
Langkah 5: Hitung keluaran unit
3
01
_jk k jk
j
y net w wz
= -0.1 + 0.5640(0.3) + 0.5410(0.2) = 0.1774
= 0.3 + 0.5640(0.2) + 0.5410(-0.2) = -0.3046
= 0.1 + 0.5640(0.1) + 0.5410(0.1) = 0.2105
= 0.4 + 0.5640(-0.1) + 0.5410(0.2) = 0.4518
Aktifkan keluaran dengan fungsi aktivasi
( )
0.5442
0.5756
0.5524
0.6111
Fase 2: Backpopagation
Langkah 6 : Hitung faktor di unit keluaran
( ) ( )= ( ) ( )
= (0.25-0.5542) 0.5542 (1-0.5542) = -0.0730
= (0.50-0.5756) 0.5756 (1-0.5756) = -0.0185
= (0.75-0.5524) 0.5524 (1-0.5524) = 0.0489/0.0488
= (1-0.6111) 0.6111 (1-0.6111) = 0.0924
Suku berubahan bobot (dengan = 0.1)
51
= 0.1(-0.0730)(1) = -0.0073
= 0.1(-0.0185)(1) = -0.0087
= 0.1(0.0488)(1) = 0.0049
= 0.1(0.0924)(1) = 0.0092
= 0.1(-0.0730)(0.5640) = -0.0041
= 0.1(0.0185)(0.5640) = 0.0010
= 0.1(0.0488)(0.5640) = 0.0028
= 0.1(0.0924)(0.5640) = 0.0052
= 0.1-(0.0730)(0.5410) = -0.0039
= 0.1(0.0185)( 0.5410) = -0.0010
= 0.1(0.0488)( 0.5410) = 0.0026
= 0.1(0.0924)( 0.5410) = 0.0052
Langkah 7: Hitung penjumlahan kesalahan dari unit tersembunyi (= )
∑
= -0.0730(0.3) - 0.0185(0.2) + 0.489(0.1) + 0.0924(-0.1) = -0.0299
= -0.0730(0.2) - 0.0185(-0.2) + 0.0489(0.1) + 0.0924(0.2) = 0.0125
Faktor kesalahan di unit tersembunyi
( ) ( )
= -0.0299(0.5640) (1-0.5640) = -0.0074
= 0.0125 (0.5410) (1-0.5410) = 0.0031
Suku perubahan bobot ke unit tersembunyi (j=1,2; i=0,1,2)
= 0.1-(0.0074)(1) = -0.7364/-7.4000e-004
= 0.1(0.0031)(1) = 0.3096/3.1000e-004
= 0.1-(0.0074)(0.1010) = -0.0744/-7.4740e-005
= 0.1-(0.0074)(0.6353) = -0.4686/-4.7012e-004
= 0.1-(0.0031)(0.1010) = 0.0313/3.1310e-005
52
= 0.1-(0.0031)(0.6353) = 0.2030/1.9694e-004
Fase 3 : Perubahan bobot
Langkah 8: Hitung semua perubahan bobot
Karena pada penelitian ini data lebih dari satu, maka metode yang
digunakan adalah metode kelompok, dimana perubahan bobot dilakukan setelah
penjumlahan delta bobot dan bobot awal dari beberapa data yang digunakan.
Perhitungan diatas adalah perhitungan iterasi pertama untuk pola pertama
dari data pelatihan. Karena pada eterasi pertama nilai keluaran masih jauh dengan
target maka harus dilakukan pengulangan sampai mendapatkan mean square error
yang sangat kecil.
3.2.3 Hasil Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation
Jaringan saraf tiruan pada umumnya adalah untuk pengelompokan dan
pemisahan data yang proses kerjanya meniru jaringan saraf pada manusia.
Jaringan saraf tiruan mampu mengelompokkan suatu data yang telah diketahui
sebelumnya. Sesuai dengan sistem kerjanya diatas maka jaringan saraf tiruan
terdiri dari beberapa lapisan yaitu lapisan masukan, lapisan tersembunyi, dan
lapisan keluaran. Setiap lapisan terdiri dari beberapa neuron dan setiap neuron
terhubung ke neuron terdekat pada lapisan diatasnya. Setiap lapisan diberi
pembobot yang akan metranformasi nilai input menjadi output.
Untuk mengetahui kestabilan hasil pendeteksian menggunakan jaringan
saraf tiruan dengan metode backpropagation, maka dipilih data acak status gizi
balita usia di bawah 60 Bulan sebanyak 23 pola yang kemudian dilakukan proses
trial and error untuk jumlah hidden node hingga dapat diperoleh jumlah hidden
node yang optimal, lama pelatihan dan nilai mean square error yang minimum.
53
Kemudian dari hasil pelatihan yang optimal maka akan digunakan untuk melatih
data pengujian. Dari hasil analisis data pelatihan yang telah dilatih seperti pada
tabel dibawah ini:
Tabel 3.7: Hasil Analisis Jaringan Saraf Tiruan dengan Perubahan Iterations dan
Laju Pemahaman untuk Mendapatkan Arsitektur yang Optimal
No Hidden node Iterations Laju
pemahaman a
mean square error
1 10 1000 0.1 3.1296e-005
2 10 1000 0.2 1.7302e-005
3 10 1000 0.3 1.2294e-005
4 10 1000 0.4 9.4335e-006
5 10 1000 0.5 7.4875e-006
6 10 1000 0.6 6.0494e-006
7 10 1000 0.9 2.8372e-005
Dengan pemberian epoch maximum yang telah diberikan pelatihan
dihentikan, dan menghasilkan mean square error yang berbeda bahkan lebih kecil
dari MSE standar yaitu 0.0001 pada pemberian iterasi 1000, namun dengan
memperbesar laju pemahaman yaitu 0.2 pada iterasi ke 1000 nilai mean
square error lebih kecil, namun jika pemberian nilai pada laju pemahaman terlalu
besar, maka proses pelatihan tidak stabil dan akan sampai pada titik minimum
lokal. Dari proses trial and error pada data pelatihan, maka yang akan digunakan
pada pelatihan data pengujian adalah laju pemahaman 0.6 dengan hidden
node 10 dan iteration 1000.
Selanjutnya akan dilakukan pelatihan data pengujian dengan laju
pemahaman 0.6 dengan pemberian iterasi 1000, nilai keluaran yang
dihasilkan tidak stabil dan nilai means square error cukup besar, sehingga
pelatihan data akan mengambil nilai laju pemahaman yang lebih kecil yaitu
54
0.2, maka nilai keluarannya dapat dilihat pada lampiran dengan means square
error yang dihasilkan sebesar 1.1904e-005
Gambar 3.6 Plot Pelatihan Data Pengujian dengan Laju Pemahaman a = 0.2 dengan Pemberian
Iterasi 1000.
Dari gambar di atas nilai mean square error yang di dapatkan sudah cukup
kecil yaitu 0.00001 dan dapat dilihat dari hasil keluaran seperti pada lampiran di
atas untuk setiap datanya, semua data mendekati target yang diberikan, sesuai
dengan gambar yang diberikan bahwa data yang memiliki nilai error lebih besar
dan ada beberapa data yang errornya besar yaitu pada data yang mendekati target
0.75.
3.2.4 Pemodelan Arsitektur Status Gizi Balita dengan Jaringan Saraf
Tiruan
Pemodelan status gizi balita dengan prosedur jaringan saraf tiruan yang
bertujuan untuk menentukan bentuk arsitektur jaringan yang optimal. Untuk itu
55
memilih arsitektur terbaik dilakukan dengan mencari kombinasi terbaik dari input
dan jumlah hidden layer.
Tidak ada prosedur umum yang dapat digunakan untuk menentukan jumlah
input, jumlah hidden layer dan jumlah node pada masing-masing hidden layer.
Dimana semua ini dilakukan dengan cara coba-coba (trial and error). Dalam
penelitian ini digunakan satu hidden layer agar jumlah bobot yang ditaksir tidak
terlalu banyak serta nilai mean square error yang dihasilkan juga sudah
berpengaruh sebagai kriteria pembanding. Dengan fungsi aktivasi yang digunakan
adalah logistik sigmoid untuk hidden layer dan output layer.
3.2.5 Penentuan Arsitektur Jaringan yang Optimal
Seperti yang telah dijelaskan di atas, belum ada prosedur yang dapat
digunakan untuk menentukan input dan jumlah hidden node yang optimal. Semua
dilakukan dengan cara coba-coba (trial and error).
Pada tahap penentuan arsitektur jaringan ini bertujuan untuk menentukan
bentuk arsitektur yang optimal dengan cara mencari kombinasi maksimal dari
nilai masukan (input), jumlah layar tersembunyi (hidden layer) dan nilai keluaran
(output) diperoleh dengan cara melakukan suatu proses trial and error hingga
mendapatkan suatu kombinasi nilai masukan (input), jumlah layar tersembunyi
(hidden layer) dan nilai keluaran (output) yang memberikan hasil pengelompokan
yang maksimal dan nilai mean square error yang minimum.
Dalam penelitian ini akan digunakan prosedur yang pernah dilakukan
Ripley (1996). Prosedur ini relatif memberikan kombinasi trial and error yang
lebih sedikit. Langkah-langkah prosedur ini adalah sebagai berikut:
56
1. Menentukan arsitektur awal dengan jumlah input adalah banyaknya
kelompok yang akan diuji yang berpengaruh pada nilai output.
2. Menentukan jumlah hidden node pada hidden layer (trial and error).
3. Menentukan fungsi aktivasi.
4. Mengevaluasi pemilihan model terbaik yang merupakan kombinasi antara
input dan neuron dari langkah 2, serta menentukan arsitektur jaringan terbaik
dari beberapa kombinasi yang telah dicoba.
Sehingga pada langkah-langkah yang sudah dijelaskan di atas pada proses
trial and error ini akan menggunakan 2 unit masukan (input), 1 unit layar
tersembunyi (hidden layer) dan 4 nilai keluaran (output) dengan fungsi aktivasi
yang digunakan adalah fungsi sigmoid biner untuk layar tersembunyi (hidden
layer) dan nilai keluaran (output).
Pada saat proses pengelompokan data, akan dilakukan proses trial and error
untuk melihat arsitektur jaringan yang paling optimal. Proses tersebut akan
dilakukan secara berulang-ulang untuk meghasilkan arsitektur jaringan yang
optimal dengan jumlah layar tersembunyi (hidden layer) yang berbeda pada setiap
perulangan.
Sebagaimana penjelasan yang tertera di atas, maka dapat diketahui arsitektur
jaringan yang paling optimal untuk mendeteksi status gizi balita yaitu arsitektur
jaringan yang terdiri dari 2 unit input, 10 hidden node pada 1 hidden layer, dan 4
unit output. Karena pada arsitektur jaringan tersebut menghasilkan suatu nilai
mean square error yang sudah minimum yang mana nilai yang dihasilkan sudah
maksimal dalam mendeteksi status gizi balita. Arsitektur jaringan saraf tiruan ini
dapat dilihat pada Gambar 3.7 sebagai berikut:
57
bias 1
Input
Output layer
Hidden layer
bias 2
Gambar 3.7 Arsitektur Jaringan Saraf Tiruan yang Optimal dari Data Status Gizi Balita Usia di
Bawah 60 Bulan di UPT Puskesmas Dinoyo Malang Tahun 2014 dengan 2 Unit Input,
10 Hidden Node, 4 Unit Output
Arsitektur jaringan saraf tiruan yang optimal dalam mendeteksi status gizi
balita yaitu terdapat 2 unit input, 1 hidden layer yang memiliki 10 hidden node,
dan 4 unit output. Setiap node terhubung pada node di atasnya yaitu unit input
terhubung pada setiap hidden node, kemudian setiap hidden node terhubung pada
unit output, setiap node-node yang terhubung memiliki nilai bobot yang berbeda
pula. Sebagai contoh diambil data status gizi balita usia di bawah 60 Bulan di
UPT Puskesmas Dinoyo Malang Tahun 2014 yang dijalankan dengan program
Matlab 7.8.0.
b1
37 BB
37 PB
Z1
Z2
Z3
Z10
b2
15 Normal
5 Lebih
7 S.Kurang
10 Kurang
58
3.3 Jaringan Saraf Tiruan Menurut Pandangan Islam
Seiring berjalannya waktu dari tahun ke tahun manusia selalu mencari jalan
keluar untuk menyelesaikan permasalahan yang mungkin sulit untuk dipecahkan,
namun Tuhan selalu membukakan jalan bagi mereka yang bersungguh-sungguh
dan ingin belajar untuk memahami kesulitan tersebut, dan berdoa meminta
kemudahan atas kesulitan yang dihadapinya. Seperti firman Allah Swt dalam al-
Quran surat an-Naml ayat 62 yang berbunyi
Artinya: Atau siapakah yang memperkenankan (do’a) orang yang dalam kesulitan
apabila ia berdo’a kepada-Nya, dan yang menghilangkan kesusahan
dan yang menjadikan kamu (manusia) sebagai khalifah di bumi?
Apakah disamping Allah ada Tuhan (yang lain)? Amat sedikitlah kamu
mengingati(Nya) (Qs. an-Naml/27:62).
Dari ayat di atas maka dapat disimpulkan bahwa kesulitan akan terpecahkan
apabila seseorang berdo’a dan berusaha, dan setiap kesulitan itu pasti ada jalan
keluarnya. Begitu juga dengan aplikasi jaringan saraf tiruan, yang mana jaringan
saraf tiruan membantu mempermudah dalam pengelompokan kasus-kasus yang
terjadi didunia ini. Hal ini membantu mempermudah umat manusia dalam
menyelesaikan masalah-masalah yang sulit dipecahkan, Allah menurunkan di
antara sebagian ilmu dari ilmu-ilmu Allah yang luas agar dapat dimanfaatkan oleh
hamba-Nya. Seperti firman Allah Swt dalam al-Quran surat al-Luqman ayat 27
yang berbunyi:
59
Artinya: Dan seandainya pohon-pohon di bumi menjadi pena dan laut (menjadi
tinta), ditambahkan kepadanya tujuh laut (lagi) sesudah (kering)nya,
niscaya tidak akan habis-habisnya (dituliskan) kalimat Allah[1183].
Sesungguhnya Allah Maha Perkasa lagi Maha Bijaksana (Qs. al-
Luqman/31:27).
[1183] Yang dimaksud dengan kalimat Allah ialah: ilmu-Nya dan Hikmat-Nya.
Begitu luas ilmu Allah sampai ciptaan-Nya tidak akan mampu menulisnya.
Namun bila berusaha untuk mempelajari ilmu-ilmu Allah, maka sebagian ilmu-
Nya akan diturunkan. Ini menunjukkan bahwa betapa bermanfaatnya jika mau
meneliti dan mempelajari ciptaan Allah, dan manfaat itu hanya diperuntukkan
bagi umatnya yang mau berpikir.
60
BAB IV
PENUTUP
4.1 Kesimpulan
Berdasarkan uraian dan pembahasan diatas maka dapat disimpulkan sebagai
berikut:
1. Nilai means square error yang minimum dari data status gizi balita dengan
metode backpropagation adalah 0.00001, yang didapatkan dari pelatihan
dengan pemberian iterasi 1000 dan laju pemahaman .
2. Model arsitektur jaringan saraf tiruan pada status gizi balita, yaitu arsitektur
jaringan yang terdiri dari 2 unit input, 10 hidden node pada 1 hidden layer,
dan 4 unit output. Karena pada arsitektur jaringan tersebut menghasilkan suatu
nilai mean square error yang sudah minimum yang mana nilai yang
dihasilkan sudah maksimal dalam mendeteksi status gizi balita.
4.2 Saran
Berdasarkan hasil penelitian ini, maka penulis memberikan beberapa saran
yang perlu menjadi bahan pertimbangan, yaitu sebagai berikut:
1. Untuk penelitian selanjutnya, dapat dilakukan dengan meneliti kemampuan
jaringan saraf tiruan dengan struktur hidden layer lebih dari satu dengan
hidden node yang lebih sedikit.
2. Ada baiknya suatu saat nanti dilakukan penelitian untuk membandingkan
dengan metode-metode jaringan saraf tiruan yang lain.
61
DAFTAR PUSTAKA
Anggraeni, R. & Aviarini, I.. 2010. Klasifikasi Status Gizi Balita Berdasarkan
Indeks Antropometri (BB/U) Menggunakan Jaringan Syaraf Tiruan.
SNASTI 2010. ICCS-18.2010.
Hermawan, A. 2006. Jaringan Saraf Tiruan, Teori dan Aplikasi. Yogyakarta:
Penerbit Andi
Kristanto, A.. 2004. Jaringan Syaraf Tiruan; Konsep Dasar, Agoritma dan
Aplikasinya. Yogyakarta: Gava Media.
Kurniawan, M..2006. Supervised Neural Networks dan Aplikasinya. Yogyakarta:
Garaha Ilmu
Kusumadewi, S.. 2003. Artificial Intelligence (Teknik dan Aplikasinya).
Yogyakarta: Graha Ilmu.
Kusumadewi, S.. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan
Matlab dan Excel Link. Yogyakarta: Graha Ilmu.
Mardalis. 1990. Metode Penelitian Suatu Pendekatan Proposal. Jakarta: PT
Melton Putra.
Puspitaningrum, D.. 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta:
Penerbit Andi.
Ripley, B.D.. 1996. Pattern Recognition and Neural Network. Cambridge:
University Press.
Siang, J.J.. 2009. Jaringan Syaraf Tiruan dan Pemogramannya Menggunakan
Matlab. Yogyakarta: Penerbit Andi.
Sediaoetama, A.D.. 2004. Ilmu Gizi Untuk Mahasiswa dan Profesi. Jilid 2.
Jakarta: Dian Rakyat.
Supariasa, I.D.. 2001. Penilaian Status Gizi. Jakarta: EGC.
Stern, H.S.. 1996. Neural Network in Applied Statistics. Technometrics. Vol. 38
No.3 Hal. 205-214.
Syafi’ie, I.. 2000. Konsep Ilmu Pengetahuan Dalam Al-Quran (Telaah dan
Pendekatan Filsafat Ilmu). Yogyakarta: UII Pres.
Trisnawati, D. 2013. Manfaat Menuntut Ilmu Dalam Kehidupan. (online).
(http://dianytrisnawati.blogspot.com/2013/10/manfaat-menuntut-ilmu-
62
dalam-kehidupan.html), diakses 24 Februari 2015.
Winarno, F.G. 1990. Gizi dan Makanan Bagi Bayi dan Anak Sapihan.
Yogyakarta: Pustaka Sinar Harapan.
LAMPIRAN
Lampiran 1 Tabel Antropometri Sesuai Standard WHO-2005 di UPT Puskesmas
Dinoyo Malang
Sangat
kurus
Kurus Normal Gemuk PB (Cm)
< 1,9 1,9 - 1,9 2,0 - 3,0 >3,0 45,0
< 1,9 1,9 - 2,0 2,1 - 3,1 >3,1 45,5
< 2,0 2,0 - 2,1 2,2 - 3,1 >3,1 46,0
< 2,1 2,1 - 2,2 2,3 - 3,2 >3,2 46,5
< 2,1 2,1 - 2,2 2,3 - 3,3 >3,3 47,0
< 2,2 2,2 - 2,3 2,4 - 3,4 >3,4 47,5
< 2,3 2,3 - 2,4 2,5 - 3,6 >3,6 48,0
< 2,3 2,3 - 2,5 2,6 - 3,7 >3,7 48,5
< 2,4 2,4 - 2,5 2,6 - 3,8 >3,8 49,0
< 2,5 2,5 - 2,6 2,7 - 3,9 >3,9 49,5
< 2,6 2,6 - 2,7 2,8 - 4,0 >4,0 50,0
< 2,7 2,7 - 2,8 2,9 - 4,1 >4,1 50,5
< 2,7 2,7 - 2,9 3,0 - 4,2 >4,2 51,0
< 2,8 2,8 - 3,0 3,1 - 4,4 >4,4 51,5
< 2,9 2,9 - 3,1 3,2 - 4,5 >4,5 52,0
< 3,0 3,0 - 3,2 3,3 - 4,6 >4,6 52,5
< 3,1 3,1 - 3,3 3,4 - 4,8 >4,8 53,0
< 3,2 3,2 - 3,4 3,5 - 4,9 >4,9 53,5
< 3,3 3,3 - 3,5 3,6 - 5,1 >5,1 54,0
< 3,4 3,4 - 3,6 3,7 - 5,3 >5,3 54,5
< 3,6 3,6 - 3,7 3,8 - 5,4 >5,4 55,0
< 3,7 3,7 - 3,9 4,0 - 5,6 > 5,6 55,5
< 3,8 3,8 - 4,0 4,1 - 5,8 >5,8 56,0
< 3,9 3,9 - 4,1 4,2 - 5,9 >5,9 56,5
< 4,0 4,0 - 4,2 4,3 - 6,1 >6,1 57,0
< 4,1 4,1 - 4,4 4,5 - 6,3 >6,3 57,5
< 4,3 4,3 - 4,5 4,6 - 6,4 >6,4 58,0
< 4,4 4,4 - 4,6 4,7 - 6,6 >6,6 58,5
< 4,5 4,5 - 4,7 4,8 - 6,8 >6,8 59,0
< 4,6 4,6 - 4,9 5,0 - 7,0 >7,0 59,5
< 4,7 4,7 - 5,0 5,1 - 7,1 >7,1 60,0
< 4,8 4,8 - 5,1 5,2 - 7,3 >7,3 60,5
< 4,9 4,9 - 5,2 5,3 - 7,4 >7,4 61,0
< 5,0 5,0 - 5,3 5,4 - 7,6 >7,6 61,5
< 5,1 5,1 - 5,5 5,6 - 7,7 >7,7 62,0
< 5,2 5,2 - 5,6 5,7 - 7,9 >7,9 62,5
< 5,3 5,3 - 5,7 5,8 - 8,0 >8,0 63,0
< 5,4 5,4 - 5,8 5,9 - 8,2 >8,2 63,5
< 5,5 5,5 - 5,9 6,0 - 8,3 >8,3 64,0
< 5,6 5,6 - 6,0 6,1 - 8,5 >8,5 64,5
< 5,7 5,7 - 6,1 6,2 - 8,6 >8,6 65,0
< 5,8 5,8 - 6,2 6,3 - 8,7 >8,7 65,5
< 5,9 5,9 - 6,3 6,4 - 8,9 >8,9 66,0
< 6,0 6,0 - 6,4 6,5 - 9,0 >9,0 66,5
< 6,1 6,1 - 6,5 6,6 - 9,2 >9,2 67,0
< 6,2 6,2 - 6,6 6,7 - 9,3 >9,3 67,5
< 6,3 6,3 - 6,7 6,8 - 9,4 >9.4 68,0
< 6,4 6,4 - 6,8 6,9 - 9,6 >9,6 68,5
< 6,5 6,5 - 6,9 7,0 - 9,7 >9,7 69,0
< 6,6 6,6 - 7,0 7,1 - 9,8 >9,8 69,5
< 6,6 6,6 - 7,1 7,2 - 10,0 >10,0 70,0
< 6,7 6,7 - 7,2 7,3 - 10,1 >10,1 70,5
< 6,8 6,8 - 7,3 7,4 - 10,2 >10,2 71,0
< 6,9 6,9 - 7,4 7,5 - 10,4 >10,4 71,5
< 7,0 7,0 - 7,5 7,6 - 10,5 >10,5 72,0
< 7,1 7,1 - 7,5 7,6 - 10,6 >10,6 72,5
< 7,2 7,2 - 7,6 7,7 - 10,8 >10,8 73,0
< 7,2 7,2 - 7,7 7,8 - 10,9 >10,9 73,5
< 7,3 7,3 - 7,8 7,9 - 11,0 >11,0 74,0
< 7,4 7,4 - 7,9 8,0 - 11,2 >11,2 74,5
< 7,5 7,5 - 8,0 8,1 - 11,3 >11,3 75,0
< 7,6 7,6 - 8,1 8,2 - 11,4 >11,4 75,5
< 7,6 7,6 - 8,2 8,3 - 11,5 >11,5 76,0
< 7,7 7,7 - 8,2 8,3 - 11,6 >11,6 76,5
< 7,8 7,8 - 8,3 8,4 - 11,7 >11,7 77,0
< 7,9 7,9 - 8,4 8,5 - 11,9 >11,9 77,5
< 7,9 7,9 - 8,5 8,6 - 12,0 >12,0 78,0
< 8,0 8,0 - 8,6 8,7 - 12,1 >12,1 78,5
< 8,1 8,1 - 8,6 8,7 - 12,2 >12,2 79,0
< 8,2 8,2 - 8,7 8,8 - 12,3 >12,3 79,5
< 8,2 8,2 - 8,8 8,9 - 12,4 >12,4 80,0
< 8,3 8,3 - 8,9 9,0 - 12,5 >12,5 80,5
< 8,4 8,4 - 9,0 9,1 - 12,6 >12,6 81,0
< 8,5 8,5 - 9,0 9,1 - 12,7 >12,7 81,5
< 8,5 8,5 - 9,1 9,2 - 12,8 >12,8 82,0
< 8,6 8,6 - 9,2 9,3 - 13,0 >13,0 82,5
< 8,7 8,7 - 9,3 9,4 - 13,1 >13,1 83,0
< 8,8 8,8 - 9,4 9,5 - 13,2 >13,2 83,5
< 8,9 8,9 - 9,5 9,6 - 13,3 >13,3 84,0
< 9,0 9,0 - 9,6 9,7 - 13,5 >13,5 84,5
< 9,1 9,1 - 9,7 9,8 - 13,6 >13,6 85,0
< 9,2 9,2 - 9,8 9,9 - 13,7 >13,7 85,5
< 9,3 9,3 - 9,9 10,0 - 13,9 >13,9 86,0
< 9,4 9,4 - 10,0 10,1 - 14,0 >14,0 86,5
< 9,5 9,5 - 10,1 10,2 - 14,2 >14,2 87,0
< 9,6 9,6 - 10,3 10,4 - 14,3 >14,3 87,5
< 9,7 9,7 - 10,4 10,5 - 14,5 >14,5 88,0
< 9,8 9,8 - 10,5 10,6 - 14,6 >14,6 88,5
< 9,9 9,9 - 10,6 10,7 - 14,7 >14,7 89,0
< 10,0 10,0 - 10,7 10,8 - 14,9 >14,9 89,5
< 10,1 10,1 - 10,8 10,9 - 15,0 >15,0 90,0
< 10,2 10,2 - 10,9 11,0 - 15,1 >15,1 90,5
< 10,3 10,3 - 11,0 11,1 - 15,3 >15,3 91,0
< 10,4 10,4 - 11,1 11,2 - 15,4 >15,4 91,5
< 10,5 10,5 - 11,2 11,3 - 15,6 >15,6 92,0
< 10,6 10,6 - 11,3 11,4 - 15,7 >15,7 92,5
< 10,7 10,7 - 11,4 11,5 - 15,8 >15,8 93,0
< 10,7 10,7 - 11,5 11,6 - 16,0 >16,0 93,5
< 10,8 10,8 - 11,6 11,7 - 16,1 >16,1 94,0
< 10,9 10,9 - 11,7 11,8 - 16,3 >16,3 94,5
< 11,0 11,0 - 11,8 11,9 - 16,4 >16,4 95,0
< 11,1 11,1 - 11,9 12,0 - 16,5 >16,5 95,5
< 11,2 11,2 - 12,0 12,1 - 16,7 >16,7 96,0
< 11,3 11,3 - 12,1 12,2 - 16,8 >16,8 96,5
< 11,4 11,4 - 12,2 12,3 - 17,0 >17,0 97,0
< 11,5 11,5 - 12,3 12,4 - 17,1 >17,1 97,5
< 11,6 11,6 - 12,4 12,5 - 17,3 >17,3 98,0
< 11,7 11,7 - 12,5 12,6 - 17,5 >17,5 98,5
< 11,8 11,8 - 12,6 12,7 - 17,6 >17,6 99,0
< 11,9 11,9 - 12,7 12,8 - 17,8 >17,8 99,5
< 12,0 12,0 - 12,8 12,9 - 18,0 >18,0 100,0
< 12,1 12,1 - 12,9 13,0 - 18,1 >18,1 100,5
< 12,2 12,2 - 13,1 13,2 - 18,3 >18,3 101,0
< 12,3 12,3 - 13,2 13,3 - 18,5 >18,5 101,5
< 12,4 12,4 - 13,3 13,4 - 18,7 >18,7 102,0
< 12,5 12,5 - 13,4 13,5 - 18,8 >18,8 102,5
< 12,6 12,6 - 13,5 13,6 - 19,0 >19,0 103,0
< 12,7 12,7 - 13,6 13,7 - 19,2 >19,2 103,5
< 12,8 12,8 - 13,8 13,9 - 19,4 >19,4 104,0
< 12,9 12,9 - 13,9 14,0 - 19,6 >19,6 104,5
< 13,0 13,0 - 14,0 14,1 - 19,8 >19,8 105,0
< 13,2 13,2 - 14,1 14,2 - 20,0 >20,0 105,5
< 13,3 13,3 - 14,3 14,4 - 20,2 >20,2 106,0
< 13,4 13,4 - 14,4 14,5 - 20,4 >20,4 106,5
< 13,5 13,5 - 14,5 14,6 - 20,6 >20,6 107,0
< 13,6 13,6 - 14,6 14,7 - 20,8 >20,8 107,5
< 13,7 13,7 - 14,8 14,9 - 21,0 >21,0 108,0
< 13,8 13,8 - 14,9 15,0 - 21,2 >21,2 108,5
Lampiran 2 tabel 3.7 data asli status gizi balita berdasarkan berat badan dan
panjang badan sesuai dengan targetnya di UPT Puskesmas Dinoyo
Malang Tahun 2014.
No BB PB
Target
1 1.8 Kg 45.0 Cm Sangat kurang
2 1.6 Kg 45.5 Cm Sangat kurang
3 5.0 Kg 62.5 Cm Sangat kurang
4 10.0 Kg 95.0 Cm Sangat kurang
5 2.4 Kg 50.5 Cm Sangat kurang
6 1.8 Kg 45.0 Cm Sangat kurang
7 7.7 Kg 77.5 Cm Sangat kurang
8 6.2 Kg 66.5 Cm Kurang
9 6.0 Kg 66.5 Cm Kurang
10 7.4 Kg 72.0 Cm Kurang
11 8.2 Kg 78.5 Cm Kurang
12 1.9 Kg 45.0 Cm Kurang
13 3.6 Kg 55.0 Cm Kurang
14 1.9 Kg 45.0 Cm Kurang
15 8.0 Kg 77.0 Cm Kurang
16 3.8 Kg 55.5 Cm Kurang
17 10.0 Kg 88.0 Cm Kurang
18 7.0 Kg 66.5 Cm Normal
19 2.5 Kg 45.0 Cm Normal
20 16.0 Kg 99.5 Cm Normal
21 2.2 Kg 45.0 Cm Normal
22 10.0 Kg 78.5 Cm Normal
23 6.4 Kg 60.0 Cm Normal
24 2.9 Kg 50.0 Cm Normal
25 2.1 Kg 45.0 Cm Normal
26 10.0 Kg 76.5 Cm Normal
27 13.1 Kg 89.5 Cm Normal
28 5.0 Kg 59.0 Cm Normal
29 2.5 Kg 45.5 Cm Normal
30 10.0 Kg 77.5 Cm Normal
31 2.5 Kg 45.5 Cm Normal
32 2.5 Kg 45.0 Cm Normal
33 8.2 Kg 60.5 Cm Lebih
34 7.0 Kg 55.5 Cm Lebih
35 12.9 Kg 79.5 Cm Lebih
36 12.7 Kg 80.0 Cm Lebih
37 3.5 Kg 45.5 Cm Lebih
< 14,0 14,0 - 15,0 15,1 - 21,4 >21,4 109,0
< 14,1 14,1 - 15,2 15,3 - 21,7 >21,7 109,5
< 14,2 14,2 - 15,3 15,4 - 21,9 >21,9 110,0
Lampiran 3 tabel 3.9 Data pengujian beserta pola yang sudah di tranformasi pada
status gizi balita di bawah usia 60 Bulan di UPT Puskesmas Dinoyo
Malang Tahun 2014
Pola Data masukan (x1, x2)
Target
Pola 1 0.1111 0.1000 0.25
Pola 2 0.1000 0.1073 0.25
Pola 3 0.2889 0.3569 0.25
Pola 4 0.5667 0.8339 0.25
Pola 5 0.1444 0.1807 0.25
Pola 6 0.1111 0.1000 0.25
Pola 7 0.4389 0.5771 0.25
Pola 8 0.3556 0.4156 0.50
Pola 9 0.3444 0.4156 0.50
Pola 10 0.4222 0.4963 0.50
Pola 11 0.4667 0.5917 0.50
Pola 12 0.1167 0.1000 0.50
Pola 13 0.2111 0.2468 0.50
Pola 14 0.1167 0.1000 0.50
Pola 15 0.4556 0.5697 0.50
Pola 16 0.2222 0.2541 0.50
Pola 17 0.5667 0.7312 0.50
Pola 18 0.4000 0.4156 0.75
Pola 19 0.1500 0.1000 0.75
Pola 20 0.9000 0.9000 0.75
Pola 21 0.1333 0.1000 0.75
Pola 22 0.5667 0.5917 0.75
Pola 23 0.3667 0.3202 0.75
Pola 24 0.1722 0.1734 0.75
Pola 25 0.1278 0.1000 0.75
Pola 26 0.5667 0.5624 0.75
Pola 27 0.7389 0.7532 0.75
Pola 28 0.2889 0.3055 0.75
Pola 29 0.1500 0.1073 0.75
Pola 30 0.5667 0.5771 0.75
Pola 31 0.1500 0.1073 0.75
Pola 32 0.1500 0.1000 0.75
Pola 33 0.4667 0.3275 1
Pola 34 0.4000 0.2541 1
Pola 35 0.7278 0.6064 1
Pola 36 0.7167 0.6138 1
Pola 37 0.2056 0.1073 1
Lampiran 4 tabel 3.10 Data pelatihan dengan memilih angka acak dari data
pengujian
Pola
Data masukan (x1,x2) target
Pola 1 0.1010 0.6353 0.25
Pola 2 0.2434 0.2222 0.25
Pola 3 0.1353 0.4232 0.25
Pola 4 0.1233 0.1454 0.25
Pola 5 0.8675 0.2736 0.50
Pola 6 0.3246 0.6575 0.50
Pola 7 0.5342 0.5344 0.50
Pola 8 0.6575 0.3131 0.50
Pola 9 0.1334 0.3232 0.50
Pola 10 0.3333 0.6454 0.50
Pola 11 0.4444 0.5364 0.50
Pola 12 0.6574 0.9846 0.75
Pola 13 0.4225 0.5343 0.75
Pola 14 0.5335 0.6354 0.75
Pola 15 0.6353 0.6454 0.75
Pola 16 0.5337 0.5343 0.75
Pola 17 0.4232 0.4238 0.75
Pola 18 0.6383 0.4232 0.75
Pola 19 0.8474 0.4322 0.75
Pola 20 0.5363 0.5333 0.75
Pola 21 0.5343 0.5555 1
Pola 22 0.4252 0.4232 1
Pola 23 0.6454 0.5242 1
Keterangan :
Sangat kurang : 0.25
Kurang : 0.50
Normal : 0.75
Lebih : 1
Lampiran 5 koding program Matlab 2009
clc,clear;
input = [1.8 1.6 5.0 10.0 2.4 1.8 7.7 6.2 6.0 7.4 8.2 1.9 3.6 1.9
8.0 3.8 10.0 7.0 2.5 16.0 2.2 10.0 6.4 2.9 2.1 10.0 13.1
5.0 2.5 10.0 2.5 2.5 8.2 7.0 12.9 12.7 3.5 ; 45.0 45.5
62.5 95.0 50.5 45.0 77.5 66.5 66.5 72.0 78.5 45.0 55.0
45.0 77.0 55.5 88.0 66.5 45.0 99.5 45.0 78.5 60.0 50.0
45.0 76.5 89.5 59.0 45.5 77.5 45.5 45.0 60.5 55.5 79.5
80.0 45.5]
Karena dalam penelitian ini menggunakan fungsi aktivasi sigmoid biner,
maka data harus ditransformasikan terlebih dahulu, karena range keluaran fungsi
sigmoid adalah [0,1]. Data bisa ditransformasikan ke interval [0,1]. Tapi akan
lebih baik jika ditransformasikan ke interval yang lebih kecil, missal pada interval
[0.1, 0.9]. ini mengingat fungsi sigmoid merupakan fungsi asimtotik yang nilainya
tidak pernah 0 ataupun 1.
Jika a adalah data minimum dan b adalah data maksimum, transformasi
linier yang dipakai untuk mentranformasikan data ke interval [0.1, 0.9] adalah:
'0.8
0.1x a
xb a
(Siang, 2009:121)
Maka hasil transformasi data adalah sebagai berikut:
input=[0.1111 0.1000 0.2889 0.5667 0.1444 0.1111 0.4389 0.3556
0.3444 0.4222 0.4667 0.1167 0.2111 0.1167 0.4556 0.2222
0.5667 0.4000 0.1500 0.9000 0.1333 0.5667 0.3667 0.1722
0.1278 0.5667 0.7389 0.2889 0.1500 0.5667 0.1500 0.1500
0.4667 0.4000 0.7278 0.7167 0.2056 ; 0.1000 0.1073 0.3569
0.8339 0.1807 0.1000 0.5771 0.4156 0.4156 0.4963 0.5917
0.1000 0.2468 0.1000 0.5697 0.2541 0.7312 0.4156 0.1000
0.9000 0.1000 0.5917 0.3202 0.1734 0.1000 0.5624 0.7532
0.3055 0.1073 0.5771 0.1073 0.1000 0.3275 0.2541 0.6064
0.6138 0.1073]
target=[0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1
0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1]
bobotKeHidden = [0.3 0.2 ; 0.1 0.4 ; 0.3 -04 ; 0.2 -0.5; 0.3 0.3 ;
-0.6 -0.2 ; -0.3 0.1 ; 0.1 -0.2 ; 0.2 0.2 ; -0.4
-0.5]
biasKeHidden = [0.1 ; -0.1 ; 0.2 ; 0.5 ; 0.2 ; -0.1 ; -0.1 ; 0.4 ;
0.2 ; 0.7] bobotKeOutput = [0.3 0.2 0.1 0.3 0.2 -0.1 -0.3 -0.3 0.4 0.8 ; 0.2
-0.2 0.5 0.4 0.4 0.2 0.4 0.2 0.4 0.1 ; 0.1 0.1
0.3 0.4 -0.2 -0.4 -0.4 -0.5 0.2 0.3 ; -0.1 0.2
0.1 0.1 -0.9 0.8 0.4 0.1 0.5 0.9] biasKeOutput = [-0.1 ; 0.3 ; 0.1 ; 0.4]
laju_pemahaman = 0.2; n=10; %banyaknya hidden layer x=37; %banyaknya data yang di proses a=target'; b=a;
for s=1:1000 %langkah 4: hitung keluaran unit tersembunyi
z_in=zeros(n,1); z=zeros(n,1); for k=1:x for i =1:n z_in(i,k) =
biasKeHidden(i,1)+input(1,k)*bobotKeHidden(i,1)+input(2,k
)*bobotKeHidden(i,2); z(i,k) = 1/(1 + exp(-z_in(i,k))); end end z_in; z;
%langkah 5: hitung unit keluaran yk y_in=zeros(4,1); y=zeros(4,1); error=zeros(4,1); delta_biasKeOutput=zeros(4,1); for h=1:x for i=1:4 y_in(i,h) =
biasKeOutput(i,1)+z(1,h)*bobotKeOutput(i,1)+z(2,h)*bobotK
eOutput(i,2); y(i,h) = 1/(1 + exp(-y_in(i,h))); %langkah 6: hitung faktor kesalahan di unit yk error(i,h) =(target(h,i)-y(i,h))*y(i,h)*(1-y(i,h));
%suku perubahan bias delta wkj (dengan laju pemahaman=0.1) delta_biasKeOutput(i,h) = laju_pemahaman*error(i,h); end end y_in; y
%coding grafik yang dimunculkan dari perbandingan target dengan
nilai keluaran figure(1) plot(y,'-') hold on plot(b,'o') hold off %grid on xlabel('target') ylabel('hasil')
error; delta_biasKeOutput; E=[y-b]; % menampilkan Error hasil keluaran dengan target p=mse(E) %suku perubahan bobot delta wkj (dengan laju pemahaman=0.1) delta_bobotKeOutput=zeros(n,1); for i=1:n delta_bobotKeOutput=zeros(4,1); end delta_bobotKeOutput; for oo=1:x for i=1:n for j=1:4 delta_bobotKeOutput(j,i,oo) =
laju_pemahaman*error(j,oo)*z(i,oo); end end end delta_bobotKeOutput;
%penjumlahan delta bobot dari data 1 sampai data x(banyak data) jmm=0; for j=1:x jmm=jmm+delta_bobotKeOutput(:,:,j);
end jmm;
%langkah 7: hitung kesalahan dari unit tersembunyi(delta) delta_net=zeros(n,1); for t=1:x for a=1:n delta_net(a,t) =
error(1,t)*bobotKeOutput(1,a)+(error(2,t)*bobotKeOutput(2
,a))+(error(3,t)*bobotKeOutput(3,a))+(error(4,t)*bobotKeO
utput(4,a)); end end delta_net; %faktor kesalahan delta di unit tersembunyi
errorHidden=zeros(n,1); delta_biasKeHidden=zeros(n,1);
for d=1:x for i=1:n errorHidden(i,d) = delta_net(i,d)*z(i,d)*(1-z(i,d));
%suku perubahan bias ke unit tersembunyi delta_biasKeHidden(i,d) = laju_pemahaman*errorHidden(i,d); end end errorHidden; delta_biasKeHidden;
%suku perubahan bobot ke unit tersembunyi deltaBobotKehidden=zeros(n,1); for i=1:n deltaBobotKehidden=zeros(n,1); end deltaBobotKehidden; jmll=0; for p=1:x for z=1:n for a=1:2 deltaBobotKehidden(z,a) =
laju_pemahaman*errorHidden(z,a)*input(a,p); end end deltaBobotKehidden; jmll=jmll+deltaBobotKehidden; end jmll;
%langkah 8: penjumlahan bobot-bobot pada setiap data jumlahdeltabiaskeoutput=sum(delta_biasKeOutput,2); jumlahdeltabiaskehidden=sum(delta_biasKeHidden,2);
%langkah 8: hitung semua perubahan bobot secara berkala (bobot-
bobot baru yang akan digunakan untuk iterasi selanjutnya)
BobotBaruKeHidden = (bobotKeHidden+jmll); BiasBaruKeHidden = (biasKeHidden+jumlahdeltabiaskehidden); BobotBaruKeOutput = (bobotKeOutput+jmm); BiasBaruKeOutput = (biasKeOutput+jumlahdeltabiaskeoutput); bobotKeHidden = BobotBaruKeHidden; biasKeHidden = BiasBaruKeHidden; bobotKeOutput = BobotBaruKeOutput; biasKeOutput = BiasBaruKeOutput; end.
Lampiran 6 hasil keluaran dari pelatihan data pengujian
y =
Columns 1 through 7
0.2522 0.2522 0.2502 0.2474 0.2516 0.2522 0.2487
0.5010 0.5010 0.4999 0.4986 0.5007 0.5010 0.4992
0.7454 0.7454 0.7496 0.7557 0.7466 0.7454 0.7528
0.9935 0.9935 0.9947 0.9961 0.9939 0.9935 0.9955
Columns 8 through 14
0.2496 0.2497 0.2491 0.2485 0.2521 0.2510 0.2521
0.4997 0.4997 0.4994 0.4991 0.5010 0.5004 0.5010
0.7507 0.7506 0.7520 0.7531 0.7454 0.7479 0.7454
0.9950 0.9950 0.9953 0.9956 0.9935 0.9943 0.9935
Columns 15 through 21
0.2487 0.2509 0.2477 0.2495 0.2520 0.2463 0.2521
0.4992 0.5003 0.4988 0.4997 0.5010 0.4986 0.5010
0.7529 0.7480 0.7549 0.7511 0.7458 0.7581 0.7456
0.9955 0.9943 0.9959 0.9951 0.9936 0.9965 0.9936
Columns 22 through 28
0.2482 0.2500 0.2515 0.2521 0.2483 0.2472 0.2504
0.4992 0.5000 0.5007 0.5010 0.4993 0.4988 0.5001
0.7539 0.7500 0.7467 0.7455 0.7536 0.7562 0.7491
0.9957 0.9948 0.9939 0.9936 0.9957 0.9962 0.9946
Columns 29 through 35
0.2519 0.2483 0.2519 0.2520 0.2496 0.2502 0.2477
0.5010 0.4992 0.5010 0.5010 0.5000 0.5003 0.4992
0.7458 0.7538 0.7458 0.7458 0.7509 0.7496 0.7551
0.9937 0.9957 0.9937 0.9936 0.9950 0.9947 0.9959
Columns 36 through 37
0.2477 0.2517
0.4992 0.5010
0.7551 0.7464
0.9959 0.9938